[論文レビュー] SISSO: A Compressed-Sensing Method for Systematically Identifying Efficient Physical Models of Materials Properties

Runhai Ouyang|arXiv (Cornell University)|Oct 9, 2017

Machine Learning in Materials Science被引用数 5

ひとこと要約

SISSOは、材料科学における物理的に解釈可能な記述子と予測モデルを体系的に同定するための圧縮センシングに基づく手法を導入する。高次元で相関の高い特徴空間を効率的にスクリーニングすることで、正確で解釈可能な材料の物性予測を可能にする最小で最適な特徴セットを同定し、圧力誘発金属絶縁体遷移の再発見や新規候補の予測に成功する。

ABSTRACT

The lack of reliable methods for identifying $ extit{descriptors}$ $\unicode{x2014}$ the set of parameters capturing the underlying mechanism of a materials property $\unicode{x2014}$ is one of the factors hindering efficient materials development. Here, we propose a systematic approach for discovering physically interpretable descriptors and predictive models, within the framework of compressed-sensing based dimensional reduction. SISSO (sure independence screening and sparsifying operator) tackles immense and correlated features-spaces, and converges to the optimal solution from a combination of features relevant to the materials' property of interest. The methodology is benchmarked with the quantitative prediction of the ground-state enthalpies of octet binary materials (using $ extit{ab initio}$ data) and applied to the showcase example of predicting the metal-insulator classification (with experimental data). Accurate predictive models are found in both cases. For the metal-insulator classification model, the interpretability and predictive capability are tested beyond the training data: It perfectly rediscovers the available pressure-induced insulator$\unicode{8594}$metal transitions and it allows for the prediction of yet unknown transitions' candidates, ripe for experimental validation.

研究の動機と目的

• 材料物性の背後にあるメカニズムを捉えるのに適した信頼性があり物理的に意味のある記述子を同定するという、重要な課題に取り組む。
• 材料科学で一般的な高次元で相関の高い特徴空間において、従来の記述子選択法の限界を克服する。
• 予測精度と物理的解釈可能性の両立を図る体系的でデータ駆動の手法を構築する。
• 訓練データを超えた一般化を可能にするために、圧力誘発相転移のような未知の現象の予測を含め、モデルの妥当性を検証する。

提案手法

• 目的変数との相関に基づき、初期の高次元特徴空間をスクリーニングしてランク付け・縮小するため、確実性独立スクリーニング（SIS）を適用する。
• 特徴の最小で最適な組み合わせを同定するために、スパarsifying作用素を統合する。
• 不定方程式回帰問題を解くために圧縮センシングの原則を用い、スパースな解が得られるようにし、同時に正確で解釈可能なモデルを実現する。
• 予測性能を最大化し、同時に複雑さを最小限に抑えるように、反復的にモデルを最適化する。
• 相関のある特徴が存在する状況でも過剰適合を防ぐために、$\ell_1$-正則化回帰（Lasso）を用いてスパarsityを強制する。
• 未知分布の一般化を通じて、モデルの頑健性と解釈可能性を検証する。これには、新しい物理的転移の予測が含まれる。

実験結果

リサーチクエスチョン

• RQ1 体系的な手法は、物理的に解釈可能な記述子を同定し、八電子二元材料の基底状態エンタルピーを正確に予測できるか？
• RQ2 この手法は、圧力誘発金属絶縁体遷移のような未知の物理的現象へどの程度一般化できるか？
• RQ3 モデルの解釈可能性は、実験的に実現可能な新たな遷移候補の発見にどの程度寄与できるか？
• RQ4 圧縮センシングは、材料特徴空間に内在する高次元性と相関性を効果的に扱えるか？
• RQ5 精度と解釈可能性の両面において、ヒューリスティックまたはブルートフォースな記述子選択法を上回るか？

主な発見

• SISSOは、第一原理データを用いて、八電子二元材料の基底状態エンタルピーを正確に予測できる最小限の解釈可能な記述子のセットを効果的に同定した。
• 金属絶縁体分類のモデルは、テストセットにおいて既知の圧力誘発絶縁体から金属への遷移を完璧に再現した。
• 訓練データを超えて、圧力誘発金属絶縁体遷移の新たな、これまでに未知の候補を予測した。
• 予測モデルは強力な一般化性能を示し、分布外のケースに対しても高い正確性を維持した。
• 同定された記述子は物理的に解釈可能であり、材料挙動の既知の電子的および構造的原則を反映していた。
• この手法は、過剰適合を伴わずに、大きな相関のある特徴空間を効率的に走破し、最適でスパースな解に収束した。