[論文レビュー] Structural Characterization of Grain Boundaries and Machine Learning of Grain Boundary Energy and Mobility

Conrad W. Rosenbrock, Jonathan L. Priedeman+2 more|arXiv (Cornell University)|Aug 15, 2018

Metallurgy and Material Forming参考文献 13被引用数 4

ひとこと要約

本論文は、滑らかで重ね合わせのある原子位置（SOAP）形式に基づく2つの新しい原子構造記述子、平均SOAP表現（ASR）および局所環境表現（LER）を用いて、結晶粒界（GB）エネルギー、移動度、せん断結合を予測する機械学習フレームワークを提案する。LERは、一意な局所原子環境の割合を符号化しており、GB移動度分類で85.5%の精度、せん断結合予測で64%の精度を達成し、局所原子構造のみで主要なGB特性を高い忠実度で予測可能であることを示した。

ABSTRACT

Recent advances in the numerical representation of materials opened the way for successful machine learning of grain boundary (GB) energies and the classification of GB mobility and shear coupling. Two representations were needed for these machine learning applications: 1) the ASR representation, based on averaged local environment descriptors; and 2) the LER descriptor, based on fractions of globally unique local environments within the entire GB system. We present a detailed tutorial on how to construct these two representations to learn energy, mobility and shear coupling. Additionally, we catalog some of the null results encountered along the way.

研究の動機と目的

• 機械学習応用のための物理的に不変で、微分可能かつ滑らかな結晶粒界原子構造の表現を開発すること。
• 局所原子環境記述子を用いて、結晶粒界エネルギー、移動度、せん断結合の正確な予測を可能にすること。
• 結晶粒界における高次元的構成空間の課題に対処し、普遍的な構造的構成要素を同定すること。
• 実際のGBデータを用いて、ASRおよびLER記述子を用いたさまざまな機械学習モデルの性能を評価すること。
• 特に「定常」移動度クラスのようなレアなクラスにおいて顕著なデータのスパarsity（疎らかさ）の問題を特定すること。

提案手法

• ガウス重み付き近接原子密度と球面調和展開を用いて、各局所原子環境（LAE）に対してSOAP記述子を構築する。
• SO(3)上での積分とウィグナーD行列を用いた回転および置換不変性を実現し、回転不変カーネルを導出する。
• GBシステム内の全原子のSOAP記述子を平均化することで、平均SOAP表現（ASR）を構築する。
• GB内でグローバルに一意なLAEを同定し、それらの寄与割合を計算することで、局所環境表現（LER）を構築する。
• ASRを用いてサポートベクターレグレッション（SVR）を適用し、結晶粒界エネルギーを予測する。
• LER記述子を用いて、XGBoostおよびℓ₁正則化付き線形SVMを用いてGB移動度およびせん断結合を分類する。

実験結果

リサーチクエスチョン

• RQ1 滑らかで微分可能かつ物理的に不変な記述子は、機械学習のための結晶粒界原子構造を正確に表現できるか？
• RQ2 ASR記述子を用いることで、局所原子環境から結晶粒界エネルギーをどの程度正確に予測できるか？
• RQ3 LER記述子を用いて、局所原子環境情報のみでGB移動度およびせん断結合を高い精度で分類できるか？
• RQ4 径方向基底サイズや角度カットオフといったハイパーパrameterが、LER記述子の性能にどのように影響するか？
• RQ5 モデルが「定常」移動度クラスを学習できない理由は何か？これはデータスパarsityとモデル一般化能力にどのような示唆をもたらすか？

主な発見

• 『定常』クラスが除外された検証セットにおいて、LER記述子はGB移動度分類で85.5%の精度を達成した。
• 境界に近いSMOTEを用いたクラスバランス処理とXGBoostを適用した結果、移動度分類で80%を超える精度を達成し、ベースラインモデルを著しく上回った。
• 線形SVMにℓ₁正則化を適用したせん断結合予測は64%の精度に達したが、木構造ベースのモデルは性能が低く、局所環境データのこの性質に対する限界を示唆した。
• ASRに基づくエネルギー予測モデルはテストセットで83.0%の精度を示し、ランダムよりわずかに優れていたが、解釈不能なため物理的洞察を提供しなかった。
• LER記述子は径方向基底サイズや角度カットオフのパrameter選択に敏感であり、これが一意なLAEの数に影響を与え、結果としてモデル性能に影響を及ける。
• 本研究では、「定常」移動度クラスが現在のデータサイズ（5GB未満）では学習不能であることが判明し、希少な構造モチーフを捉えるためにより大きなデータセットの必要性が示された。