[論文レビュー] Data-Centric Mixed-Variable Bayesian Optimization For Materials Design

Akshay Iyer, Yichi Zhang+6 more|arXiv (Cornell University)|Jul 4, 2019

Machine Learning in Materials Science参考文献 38被引用数 4

ひとこと要約

本論文は、文献、実験、シミュレーションからの異種データを統合することで、材料設計を加速するデータ中心の混合変数ベイズ最適化フレームワークを提案する。質的変数と定量的変数を同時にモデル化できる潜在変数ガウス過程（LVGP）を活用することで、複雑で非線形な設計空間を効率的に探索し、数十回の反復で最適なポリマー・ナノコンpositesの組成およびミクロ構造を同定する。単一および多目的最適化タスクにおいて優れた性能を示している。

ABSTRACT

Materials design can be cast as an optimization problem with the goal of achieving desired properties, by varying material composition, microstructure morphology, and processing conditions. Existence of both qualitative and quantitative material design variables leads to disjointed regions in property space, making the search for optimal design challenging. Limited availability of experimental data and the high cost of simulations magnify the challenge. This situation calls for design methodologies that can extract useful information from existing data and guide the search for optimal designs efficiently. To this end, we present a data-centric, mixed-variable Bayesian Optimization framework that integrates data from literature, experiments, and simulations for knowledge discovery and computational materials design. Our framework pivots around the Latent Variable Gaussian Process (LVGP), a novel Gaussian Process technique which projects qualitative variables on a continuous latent space for covariance formulation, as the surrogate model to quantify "lack of data" uncertainty. Expected improvement, an acquisition criterion that balances exploration and exploitation, helps navigate a complex, nonlinear design space to locate the optimum design. The proposed framework is tested through a case study which seeks to concurrently identify the optimal composition and morphology for insulating polymer nanocomposites. We also present an extension of mixed-variable Bayesian Optimization for multiple objectives to identify the Pareto Frontier within tens of iterations. These findings project Bayesian Optimization as a powerful tool for design of engineered material systems.

研究の動機と目的

• 質的変数（例：ミクロ構造の種類）と定量的変数（例：組成）が存在する場合の材料設計最適化の課題に対処すること。これにより、性質の空間が不連続になることが避けられない。
• データ不足や高コストなシミュレーションを克服するため、文献、実験、シミュレーションからの既存の異種データを活用すること。
• 限られたデータ領域、特に質的変数においても不確実性を定量化できる surrogate モデリング手法の開発。
• バランスの取れた探索・活用戦略により、複雑で非線形な設計空間を効率的にナビゲートすること。
• 最小限の評価回数で、Pareto 前景を効率的に同定できる多目的最適化へのフレームワークの拡張。

提案手法

• フレームワークは、質的変数を連続的な潜在空間にマップすることで、混合変数タイプ間での共分散計算を可能にする潜在変数ガウス過程（LVGP）を採用する。
• LVGP モデルは、組成、ミクロ構造、処理条件といった設計変数と材料特性の関係を、希薄または異種のデータでも捉える。
• 探索の不確実領域と有望な設計の活用のバランスを取るために、期待改善（EI）を獲得関数として用いる。
• 最適化ループは、EIに基づいて新たな設計候補を逐次選択し、高コストな評価回数を最小限に抑える。
• 多目的最適化では、EIを複数の性能基準に対応させる拡張を実施し、Pareto 前景を効率的に同定する。
• 文献、実験、シミュレーションからの多様なデータを統合し、一元化された surrogate モデルを構築することで、知識抽出の最大化を図る。

実験結果

リサーチクエスチョン

• RQ1 材料設計における質的および定量的設計変数を同時に扱うために、混合変数ベイズ最適化をどのように強化できるか？
• RQ2 データ中心のアプローチは、異種データソースを効果的に統合することで、surrogate モデリングの精度と不確実性定量化を向上させることができるか？
• RQ3 LVGPに基づくフレームワークは、材料最適化における必要な評価回数をどの程度削減できるか？
• RQ4 本フレームワークは、組成およびミクロ構造の両面で、絶縁性ポリマー・ナノコンポジットの最適設計をどの程度正確に同定できるか？
• RQ5 限られた評価回数で、多目的材料設計におけるPareto前景区間を効率的に同定できるか？

主な発見

• LVGPに基づく surrogate モデルは、限られたデータでも、質的および定量的変数の材料特性への共同効果を効果的にモデル化した。
• フレームワークは、数十回の反復で最適なポリマー・ナノコンポジットの組成およびミクロ構造を同定し、必要な実験やシミュレーションの回数を顕著に削減した。
• 期待改善（EI）獲得関数は、複雑で非線形な設計空間において、探索と活用のバランスを効果的に取った。
• 本手法は単目的および多目的最適化タスクの両方で優れた性能を示し、最小限の評価回数でPareto前景区間を同定した。
• 文献、実験、シミュレーションからの異種データの統合により、モデルの汎化性能と不確実性定量化が向上した。
• 本フレームワークは、既存データからの効率的な知識発見を可能にし、高コストな材料設計問題に適している。