[論文レビュー] Revealing the Compositional Control of Electrical, Mechanical, Optical, and Physical Properties of Inorganic Glasses

Ravinder Bhattoo, Suresh Bishnoi+2 more|arXiv (Cornell University)|Mar 22, 2021

Glass properties and applications参考文献 37被引用数 8

ひとこと要約

本研究では、無機ガラスの組成-性質関係を解釈可能な機械学習モデルを用いて解明し、ネットワーク形成体、修飾体、中間体が電気的・機械的・光学的・物理的性質をどのように支配するかを明らかにした。シャープリー加法的説明（SHAP）を用いて、成分の役割と相互依存関係を同定し、合理的なガラス設計を可能にする「ガラスゲノム」への道筋を前進させた。

ABSTRACT

Inorganic glasses, produced by the melt-quenching of a concoction of minerals, compounds, and elements, can possess unique optical and elastic properties along with excellent chemical, and thermal durability. Despite the ubiquitous use of glasses for critical applications such as touchscreen panels, windshields, bioactive implants, optical fibers and sensors, kitchen and laboratory glassware, thermal insulators, nuclear waste immobilization, optical lenses, and solid electrolytes, their composition-structure-property relationships remain poorly understood. Here, exploiting largescale experimental data on inorganic glasses and explainable machine learning algorithms, we develop composition-property models for twenty-five properties, which are in agreement with experimental observations. These models are further interpreted using a game-theoretic concept namely, Shapley additive explanations, to understand the role of glass components in controlling the final property. The analysis reveals that the components present in the glass, such as network formers, modifiers, and the intermediates, play distinct roles in governing each of the optical, physical, electrical, and mechanical properties of glasses. Additionally, these components exhibit interdependence, the magnitude of which is different for different properties. While the physical origins of some of these interdependencies could be attributed to known phenomena such as "boron anomaly", "mixed modifier effect", and the "Loewenstein rule", the majority of the remaining ones requires further experimental and computational analysis of the glass structure. Thus, our work paves the way for decoding the "glass genome", which can provide the recipe for discovery of novel glasses, while also shedding light into the fundamental factors governing the composition-structure-property relationships.

研究の動機と目的

• 無機ガラスの組成と多様な物理的・機械的・電気的・光学的性質を結びつける予測モデルを構築すること。
• ネットワーク形成体、修飾体、中間体がガラスの性質を決定する上で果たす役割の違いを理解すること。
• ガラス成分同士の相互依存関係が、性質の結果に与える影響を定量化すること。
• 既知の現象（例：「ボロン異常」や「ミックスド修飾体効果」）を含む、観察された性質トレンドの根本的構造的起源を特定すること。
• 合理的な新規機能ガラスの設計を可能にする体系的「ガラスゲノム」アプローチの基盤を築くこと。

提案手法

• 25種類の性質をカバーする無機ガラスに関する大規模な実験データを活用した。
• 解釈可能な機械学習アルゴリズムを用いて、組成-性質予測モデルを構築した。
• モデル出力の解釈と成分貢献度の定量化に、シャープリー加法的説明（SHAP）を採用した。
• 異なる性質における特徴量の相互作用効果を評価することで、成分間の相互依存関係を分析した。
• モデル予測を既知の実験的観察および確立された構造-性質トレンドと照合して妥当性を検証した。
• ゲーム理論的解釈を用いて、個々の酸化物の影響とそれらの相乗効果を解きほぐした。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク形成体、修飾体、中間体は、無機ガラスの電気的・機械的・光学的・物理的性質にどのように異なる寄与をしているか？
• RQ2 ガラス成分同士の相互依存関係の大きさと性質は、特定の性質を決定する上でどのように現れるか？
• RQ3 「ボロン異常」や「ローエンスタイン則」などの既知の現象は、観察された成分間相互依存関係をどのように説明できるか？
• RQ4 解釈可能なAIモデルは、無機ガラスの組成-性質関係をどれほど正確に予測・解釈できるか？
• RQ5 現在の理論枠組みでは説明できない、未解明の相互依存関係の背後にある構造的要因は何か？

主な発見

• 本研究では、解釈可能な機械学習を用いて、無機ガラスの25種類の多様な性質について、正確な組成-性質モデルを構築した。
• シャープリー値の分析により、ネットワーク形成体、修飾体、中間体が各性質分野において明確に異なり、非一様な役割を果たしていることが明らかになった。
• 成分間の相互依存関係は、性質によって顕著に異なることが判明し、一部の相互依存関係は「ミックスド修飾体効果」などの既知の現象と一致した。
• 一部の相互依存関係は、既存の概念（例：「ボロン異常」や「ローエンスタイン則」）と関連づけることができ、モデルの解釈可能性が裏付けられた。
• 観察された相互依存関係の大多数は、現在の理論では説明できないままであり、より深い構造的分析の必要性が浮き彫りになった。
• 本研究は、無機ガラスの性質の分布を支配する組成ルールを解明することで、「ガラスゲノム」の基盤を築いた。