[論文レビュー] Machine Learning Design of Perovskite Catalytic Properties

Ryan Jacobs, Jian Liu+2 more|arXiv (Cornell University)|Nov 2, 2023

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文では、酸素表面移動、拡散係数、および面積比抵抗（ASR）といった重要なペロブスカイト触媒特性を、単純な元素的特徴量に基づいて予測する機械学習フレームワークを提示している。このモデルは、第一原理計算に基づくモデルと比較して、より高い精度と高速な推論を達成している。モデルは、校正済みの不確実性を伴う温度依存のASR予測を可能とし、K、Bi、Y、Ni、Cuといった未だ十分に探索されていない元素を含む、1900万個以上の有望な地球に豊富なペロブスカイトを同定している。

ABSTRACT

Discovering new materials that efficiently catalyze the oxygen reduction and evolution reactions is critical for facilitating the widespread adoption of solid oxide fuel cell and electrolyzer (SOFC/SOEC) technologies. Here, we develop machine learning (ML) models to predict perovskite catalytic properties critical for SOFC/SOEC applications, including oxygen surface exchange, oxygen diffusivity, and area specific resistance (ASR). The models are based on trivial-to-calculate elemental features and are more accurate and dramatically faster than the best models based on ab initio-derived features, potentially eliminating the need for ab initio calculations in descriptor-based screening. Our model of ASR enables temperature-dependent predictions, has well calibrated uncertainty estimates and online accessibility. Use of temporal cross-validation reveals our model to be effective at discovering new promising materials prior to their initial discovery, demonstrating our model can make meaningful predictions. Using the SHapley Additive ExPlanations (SHAP) approach, we provide detailed discussion of different approaches of model featurization for ML property prediction. Finally, we use our model to screen more than 19 million perovskites to develop a list of promising cheap, earth-abundant, stable, and high performing materials, and find some top materials contain mixtures of less-explored elements (e.g., K, Bi, Y, Ni, Cu) worth exploring in more detail.

研究の動機と目的

• 固体酸化物燃料電池およびエレクトロライザー（SOFC/SOEC）用の効率的なペロブスカイト触媒の発見を加速すること。
• 第一原理計算に依存しない、元素的特徴量のみを用いた機械学習モデルを開発し、触媒特性を予測すること。
• 温度依存のASR予測を可能とし、校正済みの不確実性推定値を提供すること。
• 大規模スクリーニングを通じて、有望で安定的かつ地球に豊富なペロブスカイトを同定すること。
• モデル特徴量化の解釈可能性を提供するため、SHAP分析を用いて特徴量の重要度を評価すること。

提案手法

• 著者らは、酸素表面移動、酸素拡散係数、および面積比抵抗（ASR）といった目的変数を持つペロブスカイト材料のデータセット上で、教師あり機械学習モデルを訓練した。
• 特徴量は、原子番号、電負う度、イオン化エネルギーなどの元素的性質に基づき、計算が容易である。
• モデルは勾配ブースティング決定木を用いて訓練され、将来の材料発見を模擬するため、時系列交差検証によって検証された。
• ASR用の別個のモデルは、温度依存性を組み込み、ベイズ最適化を用いて不確実性推定値を提供する。
• SHapley Additive ExPlanations（SHAP）を用いて、特徴量の寄与度を解釈し、異なる特徴量化戦略を比較した。
• 訓練済みモデルを用いて、1900万個を超えるペロブスカイトのハイブリッドスクリーニングを実施し、上位候補を同定した。

実験結果

リサーチクエスチョン

• RQ1 元素的特徴量に基づく機械学習モデルは、第一原理から導かれた記述子よりも、ペロブスカイト触媒特性の予測において優れた性能を示せるか？
• RQ2 モデルは、校正済みの不確実性推定値を伴い、信頼性のある温度依存のASR予測を提供できるか？
• RQ3 時系列交差検証は、モデルが将来的な材料発見において予測力を持つことを示しているか？
• RQ4 どの元素的特徴量および特徴量化戦略が、触媒性能予測において最も有益な情報を持つのか？
• RQ5 SOFC/SOEC用途に適した、最も有望で安定的かつ地球に豊富なペロブスカイト候補は何か？

主な発見

• 元素的特徴量を用いたMLモデルは、第一原理由来の特徴量に基づくモデルと比較して、より高い精度と著しく高速な推論を達成した。
• ASR予測モデルは、信頼性があり、校正済みの不確実性推定値を伴う温度依存の出力を提供した。
• 時系列交差検証により、実験的発見以前に有望な材料を同定できるモデルの予測能力が確認された。
• 1900万個を超えるペロブスカイトがスクリーニングされ、高性能で安定的かつ地球に豊富な候補が得られた。
• 上位性能を示す材料には、K、Bi、Y、Ni、Cuといったあまり探索されていなかった元素の組み合わせが含まれており、今後の実験的探索の新たな方向性を示唆している。