[論文レビュー] Charting Lattice Thermal Conductivity of Inorganic Crystals

Taishan Zhu, Sheng Gong+3 more|arXiv (Cornell University)|Jun 21, 2020

Machine Learning in Materials Science参考文献 35被引用数 4

ひとこと要約

本研究は、グラフニューラルネットワークとランダムフォレストを組み合わせた機械学習フレームワークを構築し、原子構造から無機化合物の格子熱伝導率（κ）を予測する。原子体積や化学結合長といった単位格子性質の平均値と分散が、最も重要な予測変数であることが特定された。本研究では、拡張されたvan-Arkel三角形を用いて無機材料空間全体のκを可視化し、特に高κ材料において高い精度を達成するための転移学習を可能にした。

ABSTRACT

Thermal conductivity is a fundamental material property but challenging to predict, with less than 5% out of about $10^5$ synthesized inorganic materials being documented. In this work, we extract the structural chemistry that governs lattice thermal conductivity, by combining graph neural networks and random forest approaches. We show that both mean and variation of unit-cell configurational properties, such as atomic volume and bond length, are the most important features, followed by mass and elemental electronegativity. We chart the structural chemistry of lattice thermal conductivity into extended van-Arkel triangles, and predict the thermal conductivity of all known inorganic materials in the Inorganic Crystal Structure Database. For the latter, we develop a transfer learning framework extendable for other applications.

研究の動機と目的

• 実験的データが限られているにもかかわらず、無機結晶構造データベース（ICSD）に収録されたすべての秩序的無機結晶の格子熱伝導率（κ）を予測すること。
• 機械学習モデルからの特徴量の重要度を分析することで、κを支配する根本的な構造化学的要因を同定すること。
• 希少な実験的κデータを活用して予測精度を向上させるための転移学習フレームワークを開発すること。
• 極端なκ値を示す材料の高スループット探索を効率的に行うための特徴空間ベースのサンプリングを可能にすること。

提案手法

• 10,000個のICSD材料についての高スループット第一原理計算によるκ（κC）を用いて、結晶グラフ畳み込みニューラルネットワーク（CGCNN）を学習した。
• ランダムフォレスト回帰を適用し、特徴量の重要度を解釈するとともに、CGCNNの予測を検証し、原子的およびパッケージング記述子の重要度を特定した。
• κCデータから事前学習した重みを用いて新しいCGCNNを初期化し、小規模な実験的κデータセット（132件）で微調整することで、転移学習を実装した。
• 主成分分析（PCA）およびt分布確率的近似（t-SNE）を用いて特徴空間を2次元に低次元化し、潜在空間におけるデータ分布の評価と可視化を行った。
• CGCNNとランダムフォレストの出力を統合し、最終的な予測を生成した：低κ材料に対してはランダムフォレストから得られるκ′_expを、高κ材料に対してはTL-CGCNNを用いた。
• 予測されたκ値を拡張されたvan-Arkel三角形にマップして、無機材料空間全体における熱伝導率の構造的化学的特徴を可視化した。

実験結果

リサーチクエスチョン

• RQ1 無機化合物における格子熱伝導率に最も強く寄与する原子的および構造的特徴は何か？
• RQ2 機械学習モデルをどのように組み合わせることで、解釈可能性を保ちながら予測精度を向上させられるか？
• RQ3 高スループット計算から得たデータを用いた転移学習が、特に高κ材料においてκ予測をどの程度向上させるか？
• RQ4 潜在空間（Vf）における高スループットκデータと実験的κデータの材料特徴の分布はどのように異なり、性能のばらつきはどのような要因によるか？
• RQ5 特定された主要な記述子に基づく特徴空間サンプリングは、極端なκ値を示す材料の高スループットスクリーニングをより効率的に行うのに有効か？

主な発見

• 原子体積や化学結合長といった単位格子構成性質の平均値と分散が、格子熱伝導率の予測において最も重要な予測変数であった。
• 質量や電負う度といった元素の性質が2番目に重要度が高かったが、配位数（CN）は従来の仮定よりも複雑で、より重要であった。
• 転移学習により、単独モデルと比較して平均絶対誤差（MAE）が低減した。特にlog κ > 1の高κ領域で最も顕著な改善が見られた。
• 実験的κデータと高スループットκデータの潜在的特徴空間（Vf）には強く相関があり、特に高κ領域で性能向上が説明された。
• 低κ領域では、実験的データが希薄で非一様であること、およびκCとκexpの間の特徴空間における乖離が原因で、転移学習の性能低下が生じた。
• 本研究では、92,919個の秩序的ICSD材料のκ予測が可能となり、今後の材料設計への応用を想定した再利用可能なフレームワークを提供した。