[論文レビュー] Machine Learning for Electrode Materials: Property Prediction via Composition

Hao Wu, Cameron Hargreaves+2 more|arXiv (Cornell University)|Mar 8, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

論文は、三つの組成ベースのMLモデル（MODNet、CrabNet、RF@Magpie）を用い、Materials Project Batteryデータセットを用いて組成から電極材料の特性を予測するベンチマークを行い、CrabNetが全指標と検証スキームで最も一貫して正確であることを示した。

ABSTRACT

In this work, we benchmark three leading Machine Learning (ML) frameworks-MODNet, CrabNet, and a random forest model based on Magpie feature-for predicting properties of battery electrode materials using the Materials Project Battery Explorer dataset. We evaluate these models based on predictive accuracy, visualize numerical features using two-dimensional embeddings, and quantify performance using standard metrics. Our results demonstrate that CrabNet consistently outperforms the other models across all tests. To validate these findings, we employ robust statistical methods: bootstrap resampling and two cross-validation (CV) strategies (leave one cluster out and stratified 5-fold CV), comparing each model against a control baseline. In addition, we apply unsupervised clustering on MODNet-derived features using t-SNE and DBSCAN, revealing coherent material groupings without prior labels. This analysis confirms the robustness of the evaluated models and underscores the potential of ML-driven approaches for accelerating the electrode materials discovery. However, our study also identifies practical limitations and quantifies challenges associated with integrating ML models into materials science workflows. Despite these constraints, our findings suggest that ML models are highly effective for early-stage compositional screening in the battery industry. This work provides a foundation for future research on ML applications in materials discovery.

研究の動機と目的

• 電池電極特性に対する組成ベースMLモデルの予測性能を評価する。
• 共通特徴セット（Magpie特徴）を用いてMODNet、CrabNet、RF@Magpieを比較する。
• LOCOおよび層別CVを含む堅牢な検証スキームでモデルを評価する。
• 2D埋め込みによる高次元特徴の可視化を行い、クラスタリングと材料の表現性を評価する。
• 組成レベルのスクリーニングにおけるベンチマークと示唆を提供する。

提案手法

• Magpieベースの特徴量で電極組成を特徴化する（入力ベクトル: MODNet 273特徴、CrabNet 199、Magpie 21）。
• 3つのモデルを訓練する：MODNet（Normalized Mutual Informationによる特徴選択を備えたニューラルネットワーク）、CrabNet（mat2vec埋め込み上のトランスフォーマー風注意機構）、RF@Magpie（Magpie特徴を用いたランダムフォレスト）。
• 平均絶対誤差（MAE）および正規化MAEであるSMAEを用いて重力容量、体積容量、平均電圧の予測精度を評価する。
• MODNet特徴を用いたDBSCANでクラスタを作成した後、LOCO（leave-one-cluster-out）と階層5分割CVの二つのCV戦略を用いたブートストラップ再サンプリングを実施する。
• 2D埋め込みにはt-SNE/UMAPを、クラスタリングにはDBSCANを使用し、材料の構造と化学的類似性を分析する。
• 平均値予測ベースラインと比較し、作動イオンとデータセットサイズのロバスト性を報告する。

Figure 2 : Distribution of working ions in the electrode materials dataset.

実験結果

リサーチクエスチョン

• RQ1 組成のみから電極特性を予測する際、組成ベースのMLモデル（MODNet、CrabNet、RF@Magpie）の予測性能はどうなるか。
• RQ2 CrabNetは複数の特性と検証スキームで一貫して他モデルを上回るか。
• RQ3 データセットサイズとクラス分布（作動イオン）がモデルの精度に与える影響はどの程度か。
• RQ4 2D埋め込みとクラスタリングは材料グループと予測性能にどのように関連するか。
• RQ5 組成レベルの電極探索へのML適用における実務的な制約は何か。

主な発見

Model	Gravimetric capacity MAE (and 2σ)	Gravimetric capacity SMAE (and 2σ)	Gravimetric capacity R^2 (and 2σ)	Volumetric capacity MAE (and 2σ)	Volumetric capacity SMAE (and 2σ)	Volumetric capacity R^2 (and 2σ)	Average voltage MAE (and 2σ)	Average voltage SMAE (and 2σ)	Average voltage R^2 (and 2σ)
MODNet	26.834 (21.085)	0.308 (0.242)	0.841 (0.726)	106.252 (86.173)	0.333 (0.0.270)	0.810 (0.739)	1.129 (0.634)	0.489 (0.277)	0.051 (0.699)
CrabNet	24.730 (18.126)	0.284 (0.208)	0.843 (0.724)	94.312 (77.805)	0.295 (0.244)	0.830 (0.722)	1.087 (0.653)	0.474 (0.285)	0.090 (0.660)
RF@Magpie	49.180 (35.166)	0.565 (0.404)	0.643 (0.533)	173.328 (137.967)	0.543 (0.432)	0.646 (0.540)	1.588 (0.925)	0.693 (0.404)	0.084 (0.562)
Control	87.095 (27.739)	1 (0.663)	0 (0)	319.238 (232.880)	1 (0.729)	0 (0)	2.292 (1.858)	1 (0.811)	0 (0)

• CrabNetは、重力容量、体積容量、および平均電圧の各指標で5-fold CVおよびLOCO/Stratified CVの下で一貫して最良の予測精度を達成する。
• RF@Magpieは一般にMODNetおよびCrabNetと比べMAE/SMAEが劣り、特に一般化を testする交差検証スキームでは誤差が大きい。
• 重力容量ではCrabNetのMAEは約24.730（2σフィルタ済データでは18.126）、SMAEは約0.284（0.208）、R^2は約0.84近くで強いロバスト性を示す。体積容量と電圧でも同様のロバスト性が観察される。
• 埋め込みMODNet特徴のクラスタ分析（DBSCAN）は14クラスタを特定し、ElMD平均代表材料による化学的代表性を示す；クラスタリングはLi系など既知の化学組成と一致する。
• ブートストラップ分析はデータセットサイズが増えると予測誤差が低下することを示し、材料発見における組成データセットの大規模化の価値を強調する。
• LOCO CVは階層CVより誤差が大きくなる傾向を示し、OODテストでモデルのロバスト性が変化することを示唆する。CrabNetはどのスキームでも優れた性能を維持する。

Figure 5 : 2D map of t-SNE embeddings of the materials using input features from MODNet. The points have been colored based on DBSCAN clustering. A total of 14 clusters are identified. The representative material from each cluster, as selected by ElMD mean representative, is indicated together with