[論文レビュー] Closed-loop machine learning for discovery of novel superconductors

Elizabeth A. Pogue, Alexander New+16 more|arXiv (Cornell University)|Dec 22, 2022

Machine Learning in Materials Science被引用数 8

ひとこと要約

本論文は、反復的な材料候補の生成、実験的検証、フィードバックを用いたモデルの精練を繰り返すことで、新規超伝導体の発見を加速するクローズドループ機械学習フレームワークを提示する。4サイクルの反復の結果、発見成功率が2倍以上に向上し、Zr-In-Ni系に1つの新規超伝導体を同定し、以前に未知とされていた5つの超伝導体を再発見するとともに、今後の研究の対象となる2つの新しい相図を特定した。

ABSTRACT

The discovery of novel materials drives industrial innovation, although the pace of discovery tends to be slow due to the infrequency of "Eureka!" moments. These moments are typically tangential to the original target of the experimental work: "accidental discoveries". Here we demonstrate the acceleration of intentional materials discovery - targeting material properties of interest while generalizing the search to a large materials space with machine learning (ML) methods. We demonstrate a closed-loop ML discovery process targeting novel superconducting materials, which have industrial applications ranging from quantum computing to sensors to power delivery. By closing the loop, i.e. by experimentally testing the results of the ML-generated superconductivity predictions and feeding data back into the ML model to refine, we demonstrate that success rates for superconductor discovery can be more than doubled. In four closed-loop cycles, we discovered a new superconductor in the Zr-In-Ni system, re-discovered five superconductors unknown in the training datasets, and identified two additional phase diagrams of interest for new superconducting materials. Our work demonstrates the critical role experimental feedback provides in ML-driven discovery, and provides definite evidence that such technologies can accelerate discovery even in the absence of knowledge of the underlying physics.

研究の動機と目的

• 偶然の発見を超えた、標的的な新規超伝導体材料の発見を加速すること。
• 機械学習と実験フィードバックを統合することで、材料発見の遅さを是正すること。
• 物理的メカニズムを完全に理解していなくても、実験データが機械学習モデルの性能を顕著に向上させることを示すこと。
• 高次元の組成的・構造的パrameterを有する複雑な材料空間において、クローズドループMLの実現可能性を検討すること。

提案手法

• 既存の材料データを用いて機械学習モデルを訓練し、超伝導転移温度（Tc）と材料の安定性を予測する。
• モデルが実験的合成とテストの対象となる新しい材料組成の優先順位付きリストを生成する。
• 実験結果（具体的にはTc測定と相の同定）を収集し、それをモデルにフィードバックして再訓練・予測を精錬する。
• このプロセスを4回のクローズドループサイクルにわたり繰り返し、予測の正確性と発見効率を段階的に向上させる。
• アクティブラーニングの原則を用いて、不確実性が高く、潜在的価値の高い候補に焦点を当て、実験的負荷を最小限に抑える。
• 相図解析を統合し、Zr-In-Ni系のような有望な組成領域へ向かう探索を支援する。

実験結果

リサーチクエスチョン

• RQ1 従来の試行錯誤的手法と比較して、クローズドループ機械学習システムは、新規超伝導体の発見成功率を顕著に向上させることができるか？
• RQ2 物理的メカニズムが不明な状況下でも、実験フィードバックは機械学習モデルの予測性能をどのように向上させるか？
• RQ3 反復的精錬が、Zr-In-Niのような複雑な三元系において、新たな超伝導相を同定する上でどのような影響を及えるか？
• RQ4 MLガイドド発見は、元のトレーニングデータセットに存在しなかった材料をどの程度発見できるか？
• RQ5 相空間におけるどの組成領域が、新たな超伝導体材料の潜在的ホストとして最も有望か？

主な発見

• クローズドループMLシステムは、従来のアプローチと比較して、超伝導体発見成功率を2倍以上に向上させた。
• 予測・合成・フィードバックの4回の反復サイクルを経て、Zr-In-Ni系に1つの新規超伝導体が同定された。
• 初期トレーニングデータセットに存在しなかった5つの超伝導体が再発見され、モデルの予測能力が妥当性を確認された。
• Zr-In-Ni系および関連系において、新たな相図2つが、潜在的な超伝導体候補が豊富に存在する領域として特定された。
• 実験フィードバックの統合により、モデル性能が顕著に向上し、物理的メカニズムを完全に理解していなくても、データ駆動型の精錬が発見を加速できることを示した。
• 本手法は、既知のメカニズムがなくても、複雑な材料空間を効果的に探索し、今後の研究の対象となる有望な領域を同定できた。