[論文レビュー] Machine Learning and Materials Informatics: Recent Applications and Prospects

Rampi Ramprasad, Rohit Batra+3 more|arXiv (Cornell University)|Jul 23, 2017

Machine Learning in Materials Science参考文献 86被引用数 9

ひとこと要約

この論文は、機械学習および材料情報学分野における最近の進展をレビューし、数値フォルクロープリントと学習されたマッピングを用いて材料の物性を予測するデータ駆動型サーモンモデルの重要性を強調している。高スルーレットスクリーニング、逆設計、不確実性を考慮した予測への応用が強調されており、複雑で計算が難しい物性の予測を可能にし、材料発見の加速に貢献している。

ABSTRACT

Propelled partly by the Materials Genome Initiative, and partly by the algorithmic developments and the resounding successes of data-driven efforts in other domains, informatics strategies are beginning to take shape within materials science. These approaches lead to surrogate machine learning models that enable rapid predictions based purely on past data rather than by direct experimentation or by computations/simulations in which fundamental equations are explicitly solved. Data-centric informatics methods are becoming useful to determine material properties that are hard to measure or compute using traditional methods--due to the cost, time or effort involved--but for which reliable data either already exists or can be generated for at least a subset of the critical cases. Predictions are typically interpolative, involving fingerprinting a material numerically first, and then following a mapping (established via a learning algorithm) between the fingerprint and the property of interest. Fingerprints may be of many types and scales, as dictated by the application domain and needs. Predictions may also be extrapolative--extending into new materials spaces--provided prediction uncertainties are properly taken into account. This article attempts to provide an overview of some of the recent successful data-driven "materials informatics" strategies undertaken in the last decade, and identifies some challenges the community is facing and those that should be overcome in the near future.

研究の動機と目的

• 過去10年間における材料情報学分野における機械学習の最近の応用を統合的・評価的に行う。
• 信頼性の高い予測のためのデータ品質、一般化、不確実性の定量化に関する主な課題を特定する。
• 目的の物性を持つ材料に対して機械学習を用いた逆設計の実現可能性と限界を検討する。
• 研究者が材料科学の問題に対して機械学習を効果的に適用する時期と方法をガイドする。
• 機械学習を従来の物理ベースの手法と統合し、強固で効率的な材料発見を促進する。

提案手法

• 材料を高次元空間に表現するために、元素的、構造的、電子的などの数値フォルクロープリントを用いる。
• 材料のフォルクロープリントと目的の物性との間のマッピングを学習するために、教師あり機械学習アルゴリズムを採用する。
• 基本方程式を解かずに高速かつ内挿的予測を可能にするために、サーモンモデルを適用する。
• 予測の信頼性を評価するため、特に外挿的領域において不確実性の定量化を統合する。
• 制約付き最適化および進化的アルゴリズム（例：遺伝的アルゴリズム）を用いて、望ましい物性から材料組成へと逆方向にマッピングすることで逆設計を実現する。
• 信頼性の高いトレーニングデータの生成とモデルのトレーニング・検証のため、高スルーレットのシミュレーションおよび実験を活用する。

実験結果

リサーチクエスチョン

• RQ1 どのような種類の材料問題において、機械学習が従来の物理ベースのモデリングを上回る効果を示すか？
• RQ2 機械学習モデルは、既知のデータ分布の外挿的領域においてもどのようにして外挿に強いものとするか？
• RQ3 材料科学における信頼性の高い逆設計を達成するための主な課題は何か？
• RQ4 機械学習予測における不確実性はどのように定量化され、その後の実験的・計算的アプローチの指針にどう活用されるか？
• RQ5 研究者が材料問題がデータ駆動型アプローチに適しているかどうかを判断するために用いるべき基準は何か？

主な発見

• 機械学習サーモンモデルにより、ガラス転移温度、誘電損失、引張強度といった複雑な物性を、直接の計算や測定なしに迅速に予測可能である。
• データ駆動型アプローチにより、大規模なデータセットから経験則（例：Hume-Rothery型の傾向）や材料挙動の相関関係を効果的に同定している。
• フォルクロープリントと学習されたマッピングの使用により、高次元の化学的および配置的空間の効率的探索が可能になった。
• 不確実性の定量化は、信頼性の高い外挿的予測に不可欠であり、適応的学習をガイドする予測フレームワークにますます統合されている。
• 逆設計は依然として挑戦的であるが、制約付き最適化および進化的アルゴリズムは、目的の物性を持つ候補材料の生成において有望な成果を示している。
• 機械学習力場は、高価な量子力学的計算に代わって分子動力学シミュレーションを大幅に加速する強力なツールとして登場している。