[論文レビュー] A physics-informed feature engineering approach to use machine learning with limited amounts of data for alloy design: shape memory alloy demonstration.

Sen Liu, Branden B. Kappes+4 more|arXiv (Cornell University)|Mar 4, 2020

Machine Learning in Materials Science被引用数 6

ひとこと要約

本論文では、形状記憶合金の開発を対象として、限られた実験データにおける機械学習性能を向上させるための物理的知見に基づいた特徴工学的手法を提示する。熱力学的および動力学的モデルに基づいて新たに導出された熱処理特徴と、既存の要素特徴を組み合わせることで、複雑な合金開発のトレンドを線形化し、データが乏しくても機械学習の予測精度を顕著に向上させる。

ABSTRACT

Machine learning using limited data from physical experiments is shown to work to predict new shape memory alloys in a high dimensional alloy design space that considers chemistry and thermal post-processing. The key to enabling the machine learning algorithms to make predictions of new alloys and their post-processing is shown to be a physics-informed featured engineering approach. Specifically, elemental features previously engineered by the computational materials community to model composition effects in materials are combined with newly engineered heat treatment features. These new features result from pre-processing the heat treatment data using mathematical relationships known to describe the thermodynamics and kinetics of precipitation in alloys. The prior application of the nonlinear physical models to the data in effect linearizes some of the complex alloy development trends a priori using known physics, and results in greatly improved performance of the ML algorithms trained on relatively few data points.

研究の動機と目的

• 高次元の合金設計空間において、限られた実験データでの機械学習モデルの訓練という課題に対処すること。
• 最適な後処理条件を有する新しい形状記憶合金を予測する際の機械学習性能を向上させること。
• 既知の物理的原則を特徴工学に統合することで、データ依存性を低減すること。
• 本手法の有効性を実世界の合金開発文脈において実証すること。

提案手法

• 計算材料科学の既存手法に基づいて、組成効果を表現する要素特徴を特徴工学すること。
• 実験的熱処理データに既知の熱力学的および動力学的モデルを適用して、新たな熱処理特徴を開発すること。
• 非線形の物理モデルを用いて熱処理データを事前処理し、合金挙動における複雑なトレンドを効果的に線形化すること。
• 要素特徴と熱処理特徴を統合し、機械学習のトレーニングに適した統一された特徴空間を構築すること。
• 限られた実験データポイントを用いて、特徴工学された特徴で機械学習モデルをトレーニングすること。
• 高い精度で新しい合金組成および後処理パrameterを予測することで、モデルの性能を検証すること。

実験結果

リサーチクエスチョン

• RQ1 限られたデータでトレーニングされる機械学習において、物理的知見に基づいた特徴工学は性能向上をもたらすか？
• RQ2 熱力学的および動力学的特徴は、合金特性の機械学習予測をどのように向上させるか？
• RQ3 既知の物理モデルをどれだけ活用すれば、効果的な合金発見に必要なデータ量を削減できるか？
• RQ4 本手法は、最適化された後処理条件を有する新しい形状記憶合金を同定できるか？

主な発見

• 物理的知見に基づいた特徴工学手法は、限られたデータでも機械学習モデルの性能を顕著に向上させる。
• 熱力学的および動力学的モデルを特徴工学に統合することで、事前に複雑な合金開発トレンドを線形化できる。
• 本手法により、新しい形状記憶合金およびその最適な熱処理後処理条件の正確な予測が可能になる。
• 広範な実験データの必要性が低減され、合金開発のスピードアップが実現される。