[論文レビュー] Towards an Autonomous Efficient Materials Discovery Framework: An Example of Optimal Experiment Design Under Model Uncertainty

Anjana Talapatra, Shahin Boluki+4 more|arXiv (Cornell University)|Mar 14, 2018

Machine Learning in Materials Science被引用数 8

ひとこと要約

本稿では、リソース制約とモデルの不確実性の下で材料空間を効率的に探索するため、ベイズ最適化とベイズモデル平均化を統合した自律的材料発見フレームワークを提案する。最適な実験領域と最も情報量の多いモデルを段階的に学習することで、計算コストを著しく削減したDFT計算を用いて、MAX相三元炭化物/窒化物系における発見を加速する。

ABSTRACT

The accelerated exploration of the materials space in order to identify configurations with optimal properties is an ongoing challenge. Current paradigms are typically centered around the idea of performing this exploration through high-throughput experimentation/computation. Such approaches, however, do not account fo the always present constraints in resources available. Recently, this problem has been addressed by framing materials discovery as an optimal experiment design. This work augments earlier efforts by putting forward a framework that efficiently explores the materials design space not only accounting for resource constraints but also incorporating the notion of model uncertainty. The resulting approach combines Bayesian Model Averaging within Bayesian Optimization in order to realize a system capable of autonomously and adaptively learning not only the most promising regions in the materials space but also the models that most efficiently guide such exploration. The framework is demonstrated by efficiently exploring the MAX ternary carbide/nitride space through Density Functional Theory (DFT) calculations.

研究の動機と目的

• リソース制約のある材料発見の課題に、モデルの不確実性を実験設計に統合することで対処すること。
• 有望な材料領域と探索を導くのに最も情報量の多いモデルを段階的に学習する自律的システムの開発。
• 最適な材料構成を同定するための高価なDFT計算の回数を削減すること。
• 本フレームワークがMAX三元炭化物/窒化物材料空間を効率的に探索できるかを実証すること。

提案手法

• 期待改善に基づいて逐次的実験選択をガイドするため、フレームワークはベイズ最適化を採用する。
• 複数の候補モデルからの予測を統合することで、モデルの不確実性を扱うためにベイズモデル平均化が用いられる。
• 獲得関数はモデル選択の不確実性を組み込み、モデルが不完全であっても頑健な探索を保証する。
• ベイズ推論を用いて、材料特性およびモデル重みに関する信念を繰り返し更新する。
• 各モデルの事後確率に応じた重み付けにより、探索と活用の動的バランスを図る。
• 本アプローチは、DFT計算を計算エンジンとして用いるMAX相材料空間に適用される。

実験結果

リサーチクエスチョン

• RQ1 材料発見の実験設計に、モデルの不確実性を効果的に組み込むにはどうすればよいか？
• RQ2 モデルの不確実性は、自律的材料探索の効率性と頑健性にどのような影響を与えるか？
• RQ3 モデルの曖昧さがある状況下で、ベイズモデル平均化はベイズ最適化の収束を改善できるか？
• RQ4 標準的手法と比較して、本フレームワークはDFT計算の回数をどの程度削減できるか？
• RQ5 本フレームワークは、どの程度自律的に情報量の多いモデルと材料領域を特定できるか？

主な発見

• モデルの不確実性下でも探索と活用のバランスを知的に保つことで、必要なDFT計算回数を著しく削減した。
• ベイズモデル平均化により、探索プロセス中に特定の1つのモデルに過剰に依存することを防ぎ、頑健性が向上した。
• 高信頼性で、MAX相材料空間における最も有望な領域を自律的に同定した。
• モデルの不確実性を統合したことで、モデルが既知であると仮定する手法よりも、より効率的かつ信頼性の高い発見が可能になった。
• 三元炭化物/窒化物系において、最適な材料構成への収束が高速化された。