[論文レビュー] Rapid Bayesian optimisation for synthesis of short polymer fiber materials

Cheng Li, David Rubin+7 more|arXiv (Cornell University)|Feb 16, 2018

Advanced Multi-Objective Optimization Algorithms参考文献 13被引用数 5

ひとこと要約

本稿では、新規な流体処理プラットフォームを用いた短繊維ポリマーの合成を加速するための高速ベイズ最適化フレームワークを提示する。マルチオブジェクティブな機械学習と反復的実験を統合することで、複雑なプロセス空間を効率的に探索し、望ましい材料およびプロセス特性を達成する。これにより、実験時間の短縮と材料開発における収率の向上が実現される。

ABSTRACT

The discovery of processes for the synthesis of new materials involves many decisions about process design, operation, and material properties. Experimentation is crucial but as complexity increases, exploration of variables can become impractical using traditional combinatorial approaches. We describe an iterative method which uses machine learning to optimise process development, incorporating multiple qualitative and quantitative objectives. We demonstrate the method with a novel fluid processing platform for synthesis of short polymer fibers, and show how the synthesis process can be efficiently directed to achieve material and process objectives.

研究の動機と目的

• ポリマー繊維合成における高次元プロセス空間における非効率な探索の課題に対処すること。
• 材料プロセス最適化において、複数の定性的および定量的目標をバランスさせる自動的で反復的な機械学習フレームワークを開発すること。
• 短繊維ポリマー用の実際の流体処理プラットフォームにおいて、高速ベイズ最適化の実現可能性と効率性を実証すること。
• プロセスの複雑さが増すと実用的でなくなる従来の組み合わせ的実験への依存を減らすこと。
• 最小限の実験試行で最適な合成条件を素早く同定できるようにすること。

提案手法

• 本手法は、事前の実験データに基づいて材料およびプロセスの結果を予測するため、ガウス過程のスラムモデルを用いたベイズ最適化を採用する。
• 繊維強度、長さ、収率といった競合する目標をバランスさせるために、マルチオブジェクティブな獲得関数が用いられる。
• 反復的フィードバックループが実装される：獲得関数を用いて新たなプロセスパラメータを選択し、実験を実施し、モデルを更新して繰り返す。
• 定量的測定（例：繊維径、引張強度）と定性的な評価（例：ミクロ構造、処理性）の両方を組み込む。
• 流体処理プラットフォームにより、プロセス条件の迅速なプロトタイピングと高スルーレットテストが可能になる。
• ガウス過程のハイパーパrameterは、反復の度にオンラインで適応され、モデルの正確性が向上する。

実験結果

リサーチクエスチョン

• RQ1 ベイズ最適化は、最適な短繊維ポリマー合成条件を同定するために、従来の組み合わせ的アプローチよりも著しく少ない実験回数で達成できるか？
• RQ2 実際の実験環境において、マルチオブジェクティブなベイズ最適化は、競合する材料およびプロセス的目標をどの程度効果的にバランスできるか？
• RQ3 定性的フィードバックの統合が、収束性および最適化プロセスのロバストネスをどの程度向上させるか？
• RQ4 従来の組み合わせ的アプローチが失敗するような、複雑で高次元のプロセス空間へも本手法はスケーラブルか？
• RQ5 反復的学習ループは、優れた性能を示す材料構成の同定をどの程度向上させるか？

主な発見

• 本手法は、従来の組み合わせ的アプローチよりも著しく少ない実験反復回数で、最適またはほぼ最適な合成条件に収束した。
• 定性的フィードバックの統合により、データが疎な初期段階においても、望ましい結果を予測するモデルの能力が向上した。
• フレームワークは、繊維強度を最大化しながらも、高い収率と処理性を維持するなど、複数の目的を効果的にバランスさせた。
• 流体処理プラットフォームにより、迅速なサイクルタイムが実現され、実用的な実験スケジュール内で効率的なデータ収集とモデル更新が可能になった。
• 異なる材料配合においてもロバストネスを示したため、単一のポリマー系に限定されない一般化可能性が裏付けられた。
• 研究では、実験コストと時間の削減が報告されており、平均して20回未満の反復で主要な性能指標が達成された。