[論文レビュー] Computationally accelerated experimental materials characterization -- drawing inspiration from high-throughput simulation workflows

Markus Stricker, Lars Banko+6 more|arXiv (Cornell University)|Dec 9, 2022

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、高スループットシミュレーションを目的として設計されたpyironフレームワークに、実験的材料特性評価を統合する手法を提案している。この手法では、ガウス過程回帰（GPR）を組み込んで、組成スパン材料ライブラリ（CSML）の測定を自律的に行う。予測と不確実性を伴う未測定点の推定により、実験的負荷を約10倍軽減しながら、統一されたワークフロー管理によってデータの履歴追跡、再現性、再利用性を確保する。

ABSTRACT

Computational materials science increasingly benefits from data management, automation, and algorithm-based decision-making for the simulation of material properties and behavior. Experimental materials science also changes rapidly by incorporation of `machine learning' in materials discovery campaigns. The obvious benefits which include automation, reproducibility, data provenance, and reusability of managed data, however, is not widely available in the experimental domain. We present an implementation of a Active Learning loop with a direct interface to an experimental measurement device in pyiron, a framework designed for high-throughput simulations, as demonstrator how to combine experimental and simulated data in one framework. Apart from the acceleration provided by the active learning approach, additional acceleration of the experimental characterization is achieved by using prior knowledge from density functional theory simulations as well as composition-property predictions from literature mining using correlations in word embeddings. With data from all domains in the same framework, a heretofore untapped and much-needed potential for the acceleration of materials characterization and materials discovery campaigns becomes available.

研究の動機と目的

• 実験的材料特性評価ワークフローにおける自動化、データ履歴追跡、再利用性の欠如を解消する。
• 高スループットシミュレーションと実験的特性評価の間のギャップを埋め、両者を統一されたワークフローフレームワーク内で統合する。
• 特にガウス過程回帰を用いたアクティブラーニング戦略を、実験的測定装置上で直接実装し、最適なサンプリングを最適化する。
• シミュレーションデータと実験的データを統合したシステムにより、材料発見の加速が可能であることを示す。
• シミュレーション、合成、実材料特性評価の間を動的に選択する自律的でエージェントベースの材料発見の基盤を構築する。

提案手法

• pyironフレームワークに、装置、試料、測定パラメータの入力設定を含む実験ワークフローを管理する新しいカスタムジョブタイプを拡張した。
• テスト用に、実際の測定APIをエミュレートするPythonベースのダミー実験装置を実装し、組成に応じた抵抗値を返すようにした。
• GPyライブラリを統合し、アクティブラーニングのためのガウス過程回帰を処理し、リアルタイムでのモデル更新と未測定点の不確実性を伴う予測を可能にした。
• GPRモデルがCSML上の次なる最適な測定点を選択するワークフローを設計し、不確実性を最小限に抑え、情報量を最大化するようにした。
• pyironの階層的データ管理およびジョブ追跡システムを活用して、完全なデータ履歴追跡と再現性を確保した。
• すべての結果を統一的かつアクセス可能でバージョン管理可能なデータベースに保存することで、シミュレーションデータと実験データの相互運用性を実現した。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程回帰によるアクティブラーニングは、実際の材料特性評価装置に効果的に適用可能か？
• RQ2 pyironのようなシミュレーション中心のフレームワークに実験ワークフローを統合することで、自動化、再現性、データ再利用性がどの程度向上するか？
• RQ3 CSML特性評価において、不確実性を考慮したモデル誘導型サンプリングを用いることで、必要な測定回数をどの程度削減できるか？
• RQ4 シミュレーション、合成、実材料試験を統合した自律的でマルチエージェントの発見サイクルを実現するための技術的・インfra構築要件は何か？
• RQ5 シミュレーションデータと実験データを統合的に管理するソフトウェアレイヤーは、より高速かつ信頼性の高い材料発見を可能にするか？

主な発見

• pyironを介してガウス過程回帰を実験ワークフローに統合した結果、必要な測定回数がおおよそ1桁減少した。
• システムは、組成スパン材料ライブラリにおける未測定抵抗値を高い精度で予測し、関連する不確実性推定値を提供することで、意思決定に役立つサンプリングを可能にした。
• すべての実験的およびモデリングステップが自動的に文書化され、pyironのネイティブなワークフローロギング機能により、完全な再現性とデータ履歴追跡が確保された。
• フレームワークは、実験データをシミュレーションデータと同等の厳密さで管理できることを示し、過去の知識を活用したモデルの再利用や戦略的初期化を可能にした。
• プロトタイプは、シミュレーション、合成、実験的特性評価を動的に選択する統合プラットフォームとしての自律的材料発見の実現可能性を成功裏に示した。
• 本アプローチは、将来の測定を最小限の人的介入で最適化する、シミュレーションと実験的データを活用する知能エージェントの連合システムへの道筋を切り開いた。