[論文レビュー] Towards Universal Sparse Gaussian Process Potentials: Application to Lithium Diffusivity in Superionic Conducting Solid Electrolytes

Amir Hajibabaei, Chang Woo Myung+1 more|arXiv (Cornell University)|Sep 28, 2020

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、固体電解質の普遍的原子間ポテンシャルを開発するために、データ効率的で適応的サンプリングを組み込んだスパースガウス過程回帰のアルゴリズムを導入する。本手法は、Li7P3S11における実験的融点およびガラス・結晶化温度を正確に再現し、リチウム拡散係数が著しく低い未だ特徴付けられていなかった相を同定する。これにより、階層的エキスパートモデルの組み合わせによるスケーラブルなモデリングが可能となる。

ABSTRACT

For machine learning of interatomic potentials the sparse Gaussian process regression formalism is introduced with a data-efficient adaptive sampling algorithm. This is applied for dozens of solid electrolytes. As a showcase, experimental melting and glass-crystallization temperatures are reproduced for Li7P3S11 and an unchartered infelicitous phase is revealed with much lower Li diffusivity which should be circumvented. By hierarchical combinations of the expert models universal potentials are generated, which pave the way for modeling large-scale complexity by a combinatorial approach.

研究の動機と目的

• 機械学習を用いて、複雑な固体電解質のデータ効率的で普遍的な原子間ポテンシャルを構築すること。
• Li7P3S11のような超イオン導体における実験的熱的挙動（融解およびガラス・結晶化）を再現すること。
• 性能に悪影響を及える可能性がある低イオン伝導性を示す、これまでに特徴付けられていなかった相を同定すること。
• エキスパートモデルの階層的組み合わせにより、複雑な材料系の大型スケールモデリングを可能にすること。

提案手法

• 高いデータ効率性を実現するため、スパースガウス過程回帰を用いて原子間相互作用をモデル化する。
• 不確実性が大きい領域に重点を置くことで、データ収集を最適化する適応的サンプリングアルゴリズムを実装する。
• 局所的な化学的・構造的複雑性を捉えるために、多様な固体電解質構造に対して個々のエキスパートモデルを訓練する。
• エキスパートモデルを階層的に組み合わせることで、多様な材料に適用可能な普遍的ポテンシャルを構築する。
• ガウス過程の入力特徴として、局所構造を符号化する原子環境記述子を用いる。
• ガウス過程からの不確実性推定値を活用し、アクティブラーニングを駆動することで、サンプル効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 適応的サンプリングを組み込んだスパースガウス過程回帰は、超イオン導体における実験的熱的転移を正確に再現できるか？
• RQ2 固体電解質におけるこれまでに特徴付けられていなかった相の構造的および動的性質は何か？
• RQ3 特定の材料に特化して訓練されたエキスパートモデルをどのように階層的に組み合わせて、普遍的原子間ポテンシャルを構築できるか？
• RQ4 本手法は、信頼性のある原子間ポテンシャル学習に必要なデータ量をどの程度削減できるか？

主な発見

• 本手法は、Li7P3S11における実験的融点およびガラス・結晶化温度を正確に再現した。
• リチウム拡散係数が著しく低い未だ特徴付けられていなかった相が発見され、物質のエネルギーランドスケープにおけるキネティックトラップの可能性が示された。
• エキスパートモデルの階層的組み合わせにより、複雑な材料系に適用可能な普遍的ポテンシャルの構築が可能となった。
• 適応的サンプリング戦略により、ポテンシャルエネルギー面の不確実性が大きい領域に集中することで、高いデータ効率性が達成された。