[論文レビュー] Reproducible gray-box neural network for predicting the fragility index and the temperature-dependency of viscosity

Daniel R. Cassar|arXiv (Cornell University)|Jul 7, 2020

Theoretical and Computational Physics参考文献 8被引用数 3

ひとこと要約

この論文は、SciGlassデータベースの化学組成を用いて、ガラス形成液体の粘度および破壊性インデックスを予測する、オープンソースで再現可能なグレイボックスニューラルネットワークを提示する。MYEGA方程式からの物理的制約をニューラルネットワークのパターン認識と統合することで、28種の元素を含む約13万件の例から成るホールドアウトデータセットにおいて、R²が0.987、RMSEが0.59の高い性能を達成した。

ABSTRACT

The temperature-dependence of the viscosity of a liquid is relevant in many scientific and technological fields, for example, it is critical to adjust process variables for glass making. The current trend in glass science is building reliable models for property prediction to accelerate glass development. Recently, Tandia and co-authors developed a gray-box neural network model with high performance; they connected the pattern recognition of neural networks with a physical model, the MYEGA equation. Similarly, the aim of this work was to use the SciGlass database to build an open-source gray-box model to predict viscosity. The viscosity dataset used had about 130,000 examples with 28 different chemical elements. This new gray-box model included a pre-processing unit that extracts and scales chemical features before feeding them to the neural network. The best model (after hyperparameter tuning) had a coefficient of determination ($R^{2}$) of 0.987 and root mean squared error (RMSE) of 0.59, both computed for the holdout dataset, which was not used for training. In addition to the temperature-dependence of viscosity, the fragility index of the liquid can also be computed by the gray-box model. The hope is that this free and open framework for property prediction can be used and improved by the community to accelerate the development of new materials.

研究の動機と目的

• ガラス形成液体の粘度および破壊性インデックスを予測する再現可能でオープンソースのフレームワークの開発。
• MYEGA方程式からの物理的知見とデータ駆動型ニューラルネットワーク学習を組み合わせることで、既存のモデルを改善すること。
• コミュニティによる利用およびモデルの拡張を可能にし、材料開発の加速を図ること。
• 28元素の高次元化学組成データを、堅牢な特徴スケーリングおよび前処理で処理すること。
• 温度依存の粘度および破壊性インデックスの両方に対して高い予測精度を達成すること。

提案手法

• モデルは、ガラス形成液体の組成から化学的特徴を抽出・スケーリングする前処理ユニットを用いる。
• ニューラルネットワークは、前処理済みデータ上で学習し、複雑な構造-性質関係を学習する。
• 熱力学的整合性を確保するため、MYEGA方程式からの物理的制約がモデルアーキテクチャに組み込まれる。
• モデルは、28種の化学的元素を含む約13万件の例から成るSciGlassデータベースのデータセット上で訓練される。
• ハイパーパrameterチューニングにより、ホールドアウトテストセットでのモデル性能を最適化する。
• 最終的なモデルは、温度にわたる粘度および導出された性質としての破壊性インデックスを出力する。

実験結果

リサーチクエスチョン

• RQ1 グレイボックスニューラルネットワークモデルは、化学組成のみを用いてガラス形成液体の粘度を高い予測精度で予測できるか？
• RQ2 このようなモデルは、粘度とともに破壊性インデックスをどの程度正確に予測できるか？
• RQ3 MYEGA方程式からの物理的制約を組み込むことで、モデルの一般化性能および解釈可能性はどの程度向上するか？
• RQ4 コミュニティ主導の材料開発を支援するため、モデルを完全に再現可能かつオープンソース化できるか？
• RQ5 このハイブリッド手法により、未知のデータに対してどの程度の性能（例：R²、RMSE）が達成できるか？

主な発見

• ホールドアウトデータセットにおいて、決定係数（R²）が0.987に達し、強力な予測性能を示した。
• 粘度予測の平均二乗誤差（RMSE）は0.59であり、テストセットでの高い精度を示した。
• モデルは、化学組成から温度依存の粘度および破壊性インデックスの両方を正確に予測できた。
• MYEGA方程式の統合により、物理的妥当性およびモデルのロバスト性が向上した。
• フレームワークはオープンソースかつ再現可能であり、コミュニティによる利用およびさらなる開発が可能である。
• 使用されたデータセットには、28種の異なる化学元素を含む約13万件の例が含まれている。