[論文レビュー] Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning

Jie Chen, Pengfei Ou+5 more|arXiv (Cornell University)|Apr 18, 2024

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、不確実性を考慮した表現学習を統合したマルチ基準ベイズ最適化フレームワークを提案し、高スループットな触媒発見を加速する。密度汎関数理論（DFT）と、自動的特徴抽出と不確実性評価を可能にする新規原子的ニューラルネットワーク（UPNet）を統合することで、必要なDFT計算を10倍削減しつつ、高い予測精度を達成し、CO2還元反応における解釈可能でマルチオブジェクティブな最適化を可能にする。

ABSTRACT

High-performance catalysts are crucial for sustainable energy conversion and human health. However, the discovery of catalysts faces challenges due to the absence of efficient approaches to navigating vast and high-dimensional structure and composition spaces. In this study, we propose a high-throughput computational catalyst screening approach integrating density functional theory (DFT) and Bayesian Optimization (BO). Within the BO framework, we propose an uncertainty-aware atomistic machine learning model, UPNet, which enables automated representation learning directly from high-dimensional catalyst structures and achieves principled uncertainty quantification. Utilizing a constrained expected improvement acquisition function, our BO framework simultaneously considers multiple evaluation criteria. Using the proposed methods, we explore catalyst discovery for the CO2 reduction reaction. The results demonstrate that our approach achieves high prediction accuracy, facilitates interpretable feature extraction, and enables multicriteria design optimization, leading to significant reduction of computing power and time (10x reduction of required DFT calculations) in high-performance catalyst discovery.

研究の動機と目的

• 高スループットスクリーニングにおける膨大で高次元の触媒組成および構造空間を効果的に探索する課題に対処すること。
• 手動による記述子設計を伴わずに、複雑な触媒構造から意味のある特徴を自動的に抽出できる表現学習モデルを開発すること。
• 活性度、選択性、安定性といった複数の性能指標を同時に考慮することで、触媒発見におけるマルチオブジェクティブ最適化を可能にすること。
• 不確実性を考慮した獲得関数を備えた適応的ベイズ最適化フレームワークにより、DFTに基づく触媒スクリーニングにおける計算コストと時間を削減すること。

提案手法

• 原子スケールの触媒構造から直接不確実性を考慮した表現学習を実行する深層学習モデルUPNetを導入し、グラフニューラルネットワークアーキテクチャを用いる。
• 複数の評価基準における探索と活用のバランスを図るために、ベイズ最適化内に制約付き期待改善（CEI）獲得関数を採用する。
• 触媒性能の真値評価として密度汎関数理論（DFT）計算を用い、逐次最適化ループに統合する。
• 下流の最適化に必要なデータ量を削減し一般化性能を向上させるために、多数の触媒構造を用いた自己教師付き事前学習を実施する。
• UPNetにおける不確実性評価を活用し、アクティブラーニングを誘導し、不確実性が大きい領域をDFT評価の優先対象とする。
• 全パイプラインをクローズドループシステムに統合し、計算コストを最小限に抑えるために反復的に有望な候補を選定してDFT検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 原子構造からの不確実性を考慮した表現学習は、高次元空間における触媒特性予測の正確性と効率を向上させることができるか？
• RQ2 マルチ基準ベイズ最適化フレームワークは、活性度、選択性、安定性といった競合する目的を、触媒設計において効果的にバランスできるか？
• RQ3 表現学習は、予測の正確性を維持したまま、触媒発見における必要なDFT計算回数をどの程度削減できるか？
• RQ4 提案されたフレームワークは、触媒材料における意味的な構造-性質関係を明らかにする解釈可能な特徴抽出を可能にするか？

主な発見

• 提案手法は、従来のスクリーニング手法と比較して、必要なDFT計算回数を10倍削減し、発見プロセスの大幅な加速を達成した。
• UPNetは、DFT評価のための情報量の多い候補の選定を信頼性高く誘導する不確実性推定を伴いながら、高い予測精度を達成した。
• 本フレームワークは、過電圧とファラデー効率を含む複数の基準において、優れた性能を示す触媒候補を効果的に同定した。
• 解釈可能な特徴抽出により、触媒性能に関連する意味的な原子スケールの記述子が明らかになり、構造-性質関係に関する科学的洞察が向上した。
• 制約付き期待改善獲得関数により、競合する性能指標間のトレードオフを効果的にバランスしたマルチオブジェクティブ最適化が実現された。
• 本手法は多様な触媒組成に対して頑健で一般化性能を示し、複雑な材料発見問題への適用可能性が検証された。