[論文レビュー] Machine Learning in Heterogeneous Porous Materials

Marta D’Elia, Hang Deng+22 more|arXiv (Cornell University)|Feb 4, 2022

Hydraulic Fracturing and Reservoir Analysis被引用数 12

ひとこと要約

この論文は、2020年の仮想ワークショップにおける機械学習（ML）を用いた不均質多孔質材料に関する知見を統合し、物性の予測、多孔質・破壊的媒体のモデリング、MLによるマルチスケールシミュレーション、支配方程式の同定という4つの主要な研究分野を特定している。データが乏しく、マルチフィジックス問題においては、物理学を組み込んだ機械学習（Physics-informed ML）が不可欠であると提唱し、科学・工学分野における公平性と包摂性を重視した、分野横断的で進歩を促進するロードマップを提示している。

ABSTRACT

The "Workshop on Machine learning in heterogeneous porous materials" brought together international scientific communities of applied mathematics, porous media, and material sciences with experts in the areas of heterogeneous materials, machine learning (ML) and applied mathematics to identify how ML can advance materials research. Within the scope of ML and materials research, the goal of the workshop was to discuss the state-of-the-art in each community, promote crosstalk and accelerate multi-disciplinary collaborative research, and identify challenges and opportunities. As the end result, four topic areas were identified: ML in predicting materials properties, and discovery and design of novel materials, ML in porous and fractured media and time-dependent phenomena, Multi-scale modeling in heterogeneous porous materials via ML, and Discovery of materials constitutive laws and new governing equations. This workshop was part of the AmeriMech Symposium series sponsored by the National Academies of Sciences, Engineering and Medicine and the U.S. National Committee on Theoretical and Applied Mechanics.

研究の動機と目的

• 機械学習を活用して応用数学、多孔質媒体科学、材料研究の間のギャップを埋めること。
• 従来のMLが外挿に苦労する、マルチフィジックス・マルチスケール系におけるデータ不足の課題に対処すること。
• 支配方程式や物理的制約を組み込んだ物理学を組み込んだ機械学習モデルの開発を促進すること。
• データ駆動的手法を用いて、新しい構成則や支配方程式を発見することを進める。
• JEDI（正義、公平性、多様性、包摂性）イニシアチブを通じて、MLおよび材料科学分野における包括的で公平で多様な科学コミュニティを育成すること。

提案手法

• 学術界、産業界、国立研究所からなる70名の国際的専門家を対象に仮想ワークショップを実施した。
• 物性予測、多孔質／破壊的媒体のモデリング、マルチスケールシミュレーション、支配方程式の同定という4つのトピック分野（TAs）に焦点を当てた並列セッションを組織した。
• 各TAにおける最先端技術、課題、今後の方向性を特定するために、構造化されたディスカッションセッションを実施した。
• 多様な発表者、司会者を含め、包摂性に配慮したワークショップ設計にJEDI原則を統合した。
• 主要な研究者による基調講演を通じて、多孔質材料におけるMLの技術的・倫理的課題を提示した。
• ディスカッションの出力を統合し、分野横断的連携と技術的イノベーションを重視した、合意形成に基づくロードマップを策定した。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、不均質多孔質系における物性を効果的に予測するためにどのように活用できるか？
• RQ2 破壊的・多孔質媒体における時間依存的でマルチフィジックス的現象をMLでモデリングするにあたり、主な課題は何か？
• RQ3 機械学習技術を活用することで、不均質材料のマルチスケールモデリングはどのように向上できるか？
• RQ4 実験データやシミュレーションデータから、新しい構成則や支配方程式を発見するために、MLは果たすべき役割は何か？
• RQ5 科学コミュニティは、ML駆動の材料研究分野における多様性、公平性、包摂性をどのように改善できるか？

主な発見

• データが乏しく、外挿が必要なマルチフィジックス系において、物理学を組み込んだ機械学習は、純粋なデータ駆動モデルが失敗する状況で不可欠である。
• 特に複雑な多孔質・破壊的媒体において、支配方程式や構成則を発見するためのMLの応用には、依然として大きな知識的ギャップが存在する。
• 物理的制約（例：物理学を組み込んだニューラルネットワーク（PINNs））をMLモデルに統合することで、リーマン問題や時間依存現象の解法に有望な兆しを見せている。
• MITやUCバークレーの基調講演例からも示されるように、生成的設計やAI駆動のアーサイテクチャドメタマテリアルの発見には、大きな潜在的価値がある。
• ワークショップでは、科学的MLコミュニティにおけるマイノリティグループの教育体制の強化と定着戦略の改善が、明確な必要性として浮き彫りになった。
• 学術界、産業界、国立研究所が連携する体制的な取り組みが、分野の前進と公平なイノベーションの実現に不可欠である。