[論文レビュー] A dynamic Bayesian optimized active recommender system for curiosity-driven Human-in-the-loop automated experiments

Arpan Biswas, Yongtao Liu+7 more|arXiv (Cornell University)|Apr 5, 2023

Machine Learning in Materials Science被引用数 6

ひとこと要約

本論文は、人間のフィードバックを統合することで、自動化された材料科学ワークフローにおける実験パラメータの好奇心駆動型、リアルタイム最適化を可能にする、動的ベイジアン最適化型アクティブレコメンデーションシステム（BOARS）を提案する。原子間力顕微鏡実験中に人間がアノテートした好みを活用することで、BOARSは事前定義されたターゲット最適化よりも、顕在的欠陥を示すものとされる対称的ペイゾプロンプスヒステリシスループをより効果的に同定した。これは、実験的発見における適応的で人間補助型アクティブラーニングの価値を示している。

ABSTRACT

Optimization of experimental materials synthesis and characterization through active learning methods has been growing over the last decade, with examples ranging from measurements of diffraction on combinatorial alloys at synchrotrons, to searches through chemical space with automated synthesis robots for perovskites. In virtually all cases, the target property of interest for optimization is defined apriori with limited human feedback during operation. In contrast, here we present the development of a new type of human in the loop experimental workflow, via a Bayesian optimized active recommender system (BOARS), to shape targets on the fly, employing human feedback. We showcase examples of this framework applied to pre-acquired piezoresponse force spectroscopy of a ferroelectric thin film, and then implement this in real time on an atomic force microscope, where the optimization proceeds to find symmetric piezoresponse amplitude hysteresis loops. It is found that such features appear more affected by subsurface defects than the local domain structure. This work shows the utility of human-augmented machine learning approaches for curiosity-driven exploration of systems across experimental domains. The analysis reported here is summarized in Colab Notebook for the purpose of tutorial and application to other data: https://github.com/arpanbiswas52/varTBO

研究の動機と目的

• リアルタイムの人間フィードバックを用いて最適化ターゲットを動的に調整する、人間を含む実験フレームワークの開発。
• 出現する実験的特徴に適応することで、自動化された材料合成および特性評価における好奇心駆動型探索を可能にする。
• 対称的ペイゾプロンプスヒステリシスループを最適化することで、顕在的欠陥などの微細な物性の検出を向上させる。
• リアルタイムの原子間力顕微鏡実験において、人間フィードバックを組み込んだベイジアンアクティブレコメンデーションの実現可能性を示す。
• 本手法を多様な実験データに応用可能な再利用可能でチュートリアル用に整備されたフレームワークを提供する。

提案手法

• 本システムは、人間のフィードバックに基づいて期待改善を最大化するように段階的に実験条件を選択するベイジアン最適化フレームワークを採用する。
• 人間のユーザーは、観察されたペイゾプロンプスヒステリシスループが対称的かどうかをフィードバックし、これが獲得関数の更新に用いられる。
• 本手法はリアルタイムで最適化ターゲットを動的に調整し、事前定義された特性から、人間が特定した注目すべき特徴へと焦点を移す。
• フレームワークは事前に取得されたペイゾプロンプスフォース分光（PFM）データに適用された後、原子間力顕微鏡上でリアルタイムにデプロイされた。
• 確率的モデルが応答面における不確実性を追跡し、新規または情報価値の高い特徴を有する領域へ探索を誘導する。
• 人間による対称性に関する判断を根拠に、探索と活用のバランスを取るマルチアームバンディットに類似した戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 人間を含むフィードバックが、自動実験中に最適化ターゲットを動的に再構築できるか？
• RQ2 ペイゾプロンプスヒステリシスの対称性に対する人間の好みを統合することで、顕在的欠陥の検出がどの程度向上するか？
• RQ3 ベイジアンアクティブレコメンデーションシステムが、事前定義された目的ではなく、好奇心駆動型で出現する特徴にどの程度適応できるか？
• RQ4 複雑な物性の同定において、固定ターゲット最適化と比較して人間フィードバックを用いることでどの程度の性能向上が得られるか？
• RQ5 提案されたフレームワークは、PFMを越えて他の実験分野へ一般化可能か？

主な発見

• BOARSシステムは、顕在的欠陥に関連するとされる対称的ペイゾプロンプスヒステリシスループを、固定ターゲット最適化よりも効果的に同定した。
• 人間のフィードバックにより、従来の事前定義された最適化基準では捉えきれなかった微細な物性特徴の検出が顕著に向上した。
• 最適化ターゲットの動的適応により、情報価値の高い実験パrameter空間の領域への収束が高速化された。
• フレームワークは原子間力顕微鏡上でリアルタイム運用においても安定した性能を示し、実用的デプロイの妥当性が裏付けられた。
• 出発時に明示的にターゲットとされていなかった特徴の発見において、ベースライン手法を上回る性能を発揮した。
• Colabノートブックの実装により、フレームワークの再現性が確保され、他のデータセットや実験システムへの拡張が可能となった。