[論文レビュー] Mastering processing-microstructure complexity through the prediction of thin film structure zone diagrams by generative machine learning models

Lars Banko, Yury Lysogorskiy+4 more|arXiv (Cornell University)|Oct 21, 2019

Machine Learning in Materials Science参考文献 76被引用数 5

ひとこと要約

本稿では、変分オートエンコーダーと条件付き生成対抗ネットワークを組み合わせた生成的機械学習フレームワークを提案し、薄膜の構造ゾーン図を予測することで、複雑なプロセッシング-ミクロ構造-物性関係の効率的探索を可能にする。このアプローチは、ミクロ構造の結果を高精度で多パラメータにわたって予測し、材料設計における実験コストを顕著に低減する。

ABSTRACT

Thin films are ubiquitous in modern technology and highly useful in materials discovery and design. For achieving optimal extrinsic properties their microstructure needs to be controlled in a multi-parameter space, which usually requires a too-high number of experiments to map. We propose to master thin film processing microstructure complexity and to reduce the cost of microstructure design by joining combinatorial experimentation with generative deep learning models to extract synthesis-composition-microstructure relations. A generative machine learning approach comprising a variational autoencoder and a conditional generative adversarial network predicts structure zone diagrams. We demonstrate that generative models provide a so far unseen level of quality of generated structure zone diagrams comprising chemical and processing complexity for the optimization of chemical composition and processing parameters to achieve a desired microstructure.

研究の動機と目的

• 多パラメータのプロセッシング条件から薄膜ミクロ構造へのマッピングにかかる高い実験的コストに対処すること。
• 化学的およびプロセッシング変数の両方の範囲で望ましいミクロ構造を持つ材料を合成する複雑さを克服すること。
• 限られた実験データから構造ゾーン図を予測できるデータ効率の良い機械学習フレームワークを開発すること。
• 合成-組成-ミクロ構造の関係を学習することで、薄膜ミクロ構造の標的設計を可能にすること。

提案手法

• 実験データ上で訓練された変分オートエンコーダー（VAE）は、薄膜プロセッシング条件とミクロ構造の低次元潜在表現を学習する。
• 条件付き生成対抗ネットワーク（cGAN）は、ターゲットミクロ構造クラスに条件付けられており、新たな妥当なプロセッシング-ミクロ構造の組み合わせを生成する。
• VAEとcGANは共同最適化され、生成された構造ゾーン図の品質と多様性が向上する。
• フレームワークは組み合わせ的実験データを統合し、現実のプロセッシング-ミクロ構造マッピングに基づいてモデルを訓練する。
• 潜在空間内挿により、トレーニングデータに存在しない新しいプロセッシング経路の探索が可能になる。
• モデルは、組成と堆積パラメータに基づいてミクロ構造相を予測する構造ゾーン図を出力する。

実験結果

リサーチクエスチョン

• RQ1 生成的機械学習モデルは、複雑な化学的およびプロセッシングパラメータ空間において、薄膜の構造ゾーン図を高精度に予測できるか？
• RQ2 ハイブリッドVAE-cGANモデルは、限られた実験データから、現実的かつ多様なミクロ構造の結果をどれほど効果的に生成できるか？
• RQ3 このモデルは、薄膜合成におけるミクロ構造最適化に必要な実験回数をどの程度削減できるか？
• RQ4 学習された潜在空間は、材料設計における意味のある内挿および外挿を可能にするか？

主な発見

• 生成モデルは、プロセッシングパラメータ、組成、ミクロ構造の間の複雑な依存関係を捉えながら、高精度の構造ゾーン図を予測した。
• 限られたトレーニングデータでも、多様で物理的に妥当なミクロ構造の結果を生成でき、データ効率の高さを示した。
• 潜在空間内挿により、ミクロ構造相の間の連続的遷移が明らかになり、トレーニングデータにないプロセッシング窓の合理的な探索が可能になった。
• モデルは、試行錯誤を徹底的に行わずに最適なプロセッシング条件を特定できるため、ミクロ構造設計における実験的負担を大幅に低減した。
• 予測された構造ゾーン図は実験観察と強く一致しており、モデルの予測能力が妥当であることを検証した。
• VAEとcGANの統合により、分離可能な表現学習と条件付き生成が可能になり、構造図の品質においてベースラインモデルを上回った。