[論文レビュー] Data-driven active learning approaches for accelerating materials discovery

Jiaxin Chen, Tianjiao Wan+11 more|arXiv (Cornell University)|Jan 11, 2026

Machine Learning in Materials Science被引用数 1

ひとこと要約

要約: アクティブラーニング（AL）手法の総合的なレビュー—従来型および深層学習ベースの手法を含み、シミュレーション、設計、最適化、自治研究室におけるデータ効率の向上と材料探索の加速を目指す。

ABSTRACT

Materials discovery is a cornerstone of modern technological advancement, yet it remains constrained by traditional trial-and-error paradigms and the inherent bias of human intuition. Artificial intelligence (AI) has emerged as a transformative tool in materials science by effectively modeling structure-property relationships. Despite substantial efforts to enhance model expressiveness, data efficiency remains an equally critical challenge, given the limited availability of experimental and computational resources. Active learning (AL), as a data-driven machine learning paradigm, has shown great promise for discovering novel materials and enabling the efficient navigation of vast materials spaces. In this review, we follow the evolution of sampling strategy design techniques in AL, from Bayesian optimization to advanced deep learning-based strategies. We then highlight how AL enhances data efficiency across various data regimes, ranging from task-specific settings with limited data to the development of general-purpose datasets and large-scale models. We further provide a systematic overview of AL applications throughout the materials research pipeline, including computational simulation, composition and structural design, process optimization, and self-driving laboratory systems. Finally, we pinpoint key challenges and future perspectives of AL in materials discovery.

研究の動機と目的

• costly な実験とシミュレーションの中で材料探索におけるデータ効率の高いAIの必要性を動機づける。
• 大規模な材料空間を効率的に探索するための従来型および深層のアクティブラーニング手法を調査する。
• シミュレーション、設計、セルフドライビング研究室を含む材料研究パイプラインへのALの統合方法を説明する。
• 材料科学における堅牢でスケalable なALツールの課題と将来の方向性を特定する。

提案手法

• ALパラダイムをストリームベース、プールベース、メンバーシップクエリ合成に分類し、材料研究への関連性を論じる。
• 従来のAL手法（ガウス過程、RF、SVM）とコア取得関数（EI、PI、UCB/LCB）をドメイン固有の特徴とともにレビューする。
• 深層アクティブラーニング（DAL）を、深部カーネル学習、ベイズニューラルネットワーク、モンテカルロドロップアウト、多重適合MOBOを含むDL設定で説明する。
• 不確実性ベース、分布ベース、ユーティリティベースのサンプリングや、探索、多様性、活用のバランスを取るハイブリッド戦略を論じる。
• ALが材料研究パイプライン全体とセルフドライビング研究室の文脈でどのように適用されるかを説明する。

実験結果

リサーチクエスチョン

• RQ1 限られたラベリング資源の下で材料探索のデータ効率をどのように向上させられるか？
• RQ2 異なるデータレジームや材料設計タスクにおいて最も効果的なAL戦略（従来型と深層型）は何か？
• RQ3 AL手法は計算シミュレーション、組成/構造設計、プロセス最適化、自律研究室とどのように統合されるか？
• RQ4 材料科学におけるALの主な課題（コールドスタート、分布のシフト、ロバストネス）と今後の方向性は何か？

主な発見

• ALは、全探索評価と比較してデータ効率と広大な材料空間の探索性を大幅に向上させる。
• ベイズ最適化、不確実性ベース、分布ベース、ユーティリティベースのアプローチはそれぞれ補完的な強みを持ち、堅牢な性能のためにハイブリッド化できる。
• 深層アクティブラーニングは、深部カーネル学習、ベイズニューラルネットワーク、アンサンブル、証拠ベースDLを通じて不確実性の定量化を可能にし、ALをDLモデルへ拡張する。
• ALは計算シミュレーション、組成/構造設計、プロセス最適化、自律研究室システムなど、材料科学の広範な応用を持つ。
• 課題には、ロバストネス、規模拡張性、および材料文脈でのALツールの評価が含まれる。