[論文レビュー] Accelerating Materials Discovery with Bayesian Optimization and Graph Deep Learning

Yunxing Zuo, Mingde Qin+5 more|arXiv (Cornell University)|Apr 20, 2021

Machine Learning in Materials ScienceMaterials Science参考文献 2被引用数 17

ひとこと要約

本稿では、対称性緩和を組み込んだベイズ最適化（BOWSR）を提案する。これは、DFTを用いない手法であり、グラフニューラルネットワーク（MEGNet）を用いて、正確な機械学習予測のための結晶構造緩和を高速化する。対称性制約付きのベイズ最適化と事前学習済みエネルギーモデルを組み合わせることで、399,960種の遷移金属窒化物および炭化物の高スループットスクリーニングが可能となり、結果として、MoWC₂およびReWBという2種の超高硬度・超圧縮率の低い新規材料が発見・合成された。

ABSTRACT

Machine learning (ML) models utilizing structure-based features provide an efficient means for accurate property predictions across diverse chemical spaces. However, obtaining equilibrium crystal structures typically requires expensive density functional theory (DFT) calculations, which limits ML-based exploration to either known crystals or a small number of hypothetical crystals. Here, we demonstrate that the application of Bayesian optimization with symmetry constraints using a graph deep learning energy model can be used to perform "DFT-free" relaxations of crystal structures. Using this approach to significantly improve the accuracy of ML-predicted formation energies and elastic moduli of hypothetical crystals, two novel ultra-incompressible hard materials MoWC2 (P63/mmc) and ReWB (Pca21) were identified and successfully synthesized via in-situ reactive spark plasma sintering from a screening of 399,960 transition metal borides and carbides. This work addresses a critical bottleneck to accurate property predictions for hypothetical materials, paving the way to ML-accelerated discovery of new materials with exceptional properties.

研究の動機と目的

• 機械学習ベースの材料物性予測において、平衡結晶構造を得るための高コストなDFT計算のボトルネックを克服すること。
• DFT緩和を高速かつ正確な代替モデルに置き換えることで、仮想材料の高スループットスクリーニングを可能にすること。
• 構造的整合性を保ちながら、低エネルギー状態への収束を加速する、対称性に配慮した最適化フレームワークの開発。
• ML加速スクリーニングを通じて、新規の超高硬度・超圧縮率の低い材料の発見を実証すること。

提案手法

• BOWSRアルゴリズムは、結晶の空間群とウィッコフ位置に基づく対称性制約のもとで、独立した格子定数および原子座標についてベイズ最適化を実行する。
• エネルギー関数U(x)は、形成エネルギーの予測において26 meV/atomの交差検証MAEを示す、事前学習済みのMatErials Graph Network（MEGNet）モデルを用いて評価される。
• 最適化は、探索と活用のバランスを取る獲得関数に基づいて、新たな候補構造を反復的に選択し、ポテンシャルエネルギーを最小化する。
• 対称性制約により、重複する自由度が排除され、探索空間が縮小され、収束速度と精度が向上する。
• DFTを避けるために、MEGNetモデルを代替エネルギー評価器として用いることで、仮想結晶構造の迅速な緩和が可能になる。
• 本手法は、399,960種の遷移金属窒化物および炭化物のスクリーニングを通じて検証され、実験的合成に適した有望候補が同定された。

実験結果

リサーチクエスチョン

• RQ1 対称性制約付きのベイズ最適化とグラフニューラルネットワークの代替モデルを用いることで、材料発見における正確な結晶構造緩和をDFTに代えて実現できるか？
• RQ2 BOWSRで緩和された構造を用いた場合、DFTで緩和された構造や初期状態と比較して、ML予測による形成エネルギーおよび弾性率の精度はどの程度向上するか？
• RQ3 本DFTフリー手法により、膨大な化学的空間にわたる仮想化合物から、新規の超高硬度・超圧縮率の低い材料を発見できるか？
• RQ4 対称性制約を用いることで、高スループットスクリーニングにおける構造緩和の効率性と正確性はどの程度向上するか？
• RQ5 BOWSRで緩和された構造の予測物性は、新規材料の実験的合成を成功に導くのに信頼できる指針となるか？

主な発見

• BOWSR手法は、テストデータにおける形成エネルギー予測で26 meV/atomの平均絶対誤差（MAE）を達成し、非緩和またはDFTで緩和された構造からの予測を著しく上回った。
• BOWSRで緩和された構造を用いた予測弾性率では、体積弾性率とせん断弾性率のそれぞれMAEが0.07 GPaおよび0.12 GPaであり、機械的性質予測の高精度を示した。
• 399,960種の遷移金属窒化物および炭化物のスクリーニングを通じて、MoWC₂（P6₃/mmc）およびReWB（Pca2₁）という2種の新規超高硬度・超圧縮率の低い材料が同定された。
• 両材料は、イン・サイト反応性スパークプラズマ焼結法を用いて実際に合成に成功し、MLモデルの予測力が裏付けられた。
• 実験的特性評価により、高いボイアーズ硬度と高いヤング率が確認され、ML予測による優れた機械的性質と整合的であった。
• BOWSR手法により、399,960候補という膨大な化学的空間の効率的探索が可能となり、完全なDFTスクリーニングに比べてはるかに低い計算コストで実現された。これは、材料発見におけるスケーラビリティを示している。