[論文レビュー] Formulation Graphs for Mapping Structure-Composition of Battery Electrolytes to Device Performance

Vidushi Sharma, Maxwell J. Giammona+6 more|arXiv (Cornell University)|Jul 7, 2023

Machine Learning in Materials Science参考文献 81被引用数 4

ひとこと要約

本論文では、知識移譜を用いて分子グラフ埋め込みと物理的性質（HOMO-LUMO、双極子モーメント）を統合することで、電池電解質配合組成の構造と性能の関係を深層学習モデルであるFormulation Graph Convolution Network（F-GCN）でマッピングする手法を提案する。このモデルは、Li/CuおよびLi-I全セル系において、コロナ効率および比容量の予測精度が最先端水準に達しており、最小限の実験的検証で新しい電解質配合組成を予測できる能力を示している。

ABSTRACT

Advanced computational methods are being actively sought for addressing the challenges associated with discovery and development of new combinatorial material such as formulations. A widely adopted approach involves domain informed high-throughput screening of individual components that can be combined into a formulation. This manages to accelerate the discovery of new compounds for a target application but still leave the process of identifying the right 'formulation' from the shortlisted chemical space largely a laboratory experiment-driven process. We report a deep learning model, Formulation Graph Convolution Network (F-GCN), that can map structure-composition relationship of the individual components to the property of liquid formulation as whole. Multiple GCNs are assembled in parallel that featurize formulation constituents domain-intuitively on the fly. The resulting molecular descriptors are scaled based on respective constituent's molar percentage in the formulation, followed by formalizing into a combined descriptor that represents a complete formulation to an external learning architecture. The use case of proposed formulation learning model is demonstrated for battery electrolytes by training and testing it on two exemplary datasets representing electrolyte formulations vs battery performance -- one dataset is sourced from literature about Li/Cu half-cells, while the other is obtained by lab-experiments related to lithium-iodide full-cell chemistry. The model is shown to predict the performance metrics like Coulombic Efficiency (CE) and specific capacity of new electrolyte formulations with lowest reported errors. The best performing F-GCN model uses molecular descriptors derived from molecular graphs that are informed with HOMO-LUMO and electric moment properties of the molecules using a knowledge transfer technique.

研究の動機と目的

• 個々の成分のスクリーニングを超えた最適な電解質配合組成の発見を加速するためのギャップを埋める。
• 複雑な液体電解質配合組成における非線形な構造-組成-性質関係を捉える機械学習フレームワークを開発する。
• 分子成分からコロナ効率や比容量などの電池性能指標をデータ駆動で予測する。
• ドメイン特化した物理的性質（HOMO-LUMO、双極子）を分子表現に統合し、一般化性能と解釈可能性を向上させる。
• 実世界の関連性を担保するため、文献由来および実験的に生成されたデータセットの両方でモデルを検証する。

提案手法

• F-GCNは、各電解質成分の分子グラフに基づいて特徴を抽出するため、複数の並列GCN（グラフ畳み込みネットワーク）を採用する。
• 量子化学的性質であるHOMO-LUMO準位および電気双極子モーメントを、知識移譜技術を用いて分子記述子に統合する。
• 配合組成におけるモル分率に応じて成分記述子をスケーリングし、最終的な配合組成表現における寄与度を反映する。
• スケーリングされた分子特徴を統合して単一のベクトル表現として、組み合わせた配合レベル記述子を構築する。
• この複合記述子を外部の学習アーキテクチャに供給し、電池性能指標の回帰を実行する。
• モデルは、Li/Cu半セルに関する文献データセットと、Li-I全セル化学に関する実験データセットの両方で訓練および評価される。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、多成分電解質配合組成の構造と組成を、その電気化学的性能に効果的にマッピングできるか？
• RQ2 HOMO-LUMOおよび電気双極子モーメントといった物理的分子性質を組み込むことで、標準的な分子記述子と比較して予測精度がどの程度向上するか？
• RQ3 F-GCNは、異なる電池化学系において未観測の電解質配合組成へ一般化できる程度の性能を示すか？
• RQ4 モル分率スケーリングが、配合レベル表現の予測性能に及ぼす影響は何か？
• RQ5 F-GCNは、既存の高スループットスクリーニング手法に比べて、優れた性能を示す電解質配合組成を特定できるか？

主な発見

• F-GCNモデルは、Li/Cu半セルおよびLi-I全セルデータセットの両方で、既存手法と比較して報告された最小の予測誤差を達成した。
• 知識移譜を用いてHOMO-LUMOおよび電気双極子モーメントの情報を統合することで、モデルの一般化性能と精度が顕著に向上した。
• 未観測の配合組成に対しても強力な一般化性能を示し、電解質成分の化学的多様性に対しても頑健であることが確認された。
• モル分率スケーリングの導入により、配合レベル表現の解釈可能性と予測力が向上した。
• 分子グラフ特徴のみを用いたベースライン手法と比較して、F-GCNは物理化学的性質を表現学習プロセスに統合することの有効性を確認した。
• このフレームワークにより、電解質配合組成の迅速な仮想スクリーニングが可能となり、人的に負担の大きい実験的試行の依存度が低下した。