[논문 리뷰] A Data-Driven Construction of the Periodic Table of the Elements

Michael J. Willatt, Félix Musil외 1명|arXiv (Cornell University)|2018. 06. 30.

Machine Learning in Materials Science인용 수 5

한 줄 요약

이 논문은 거리에 따라 가중치가 변하는 요소와 원소 간 상관관계를 포함하는 데이터 기반의 SOAP 커널 확장 기법을 제안하며, 분자의 안정성과 재료의 안정성에 대한 기계학습 모델의 성능을 크게 향상시킨다. 결과적으로 얻어진 모델은 전통적인 주기율표와 매우 유사한 원소 간 관계를 드러내며, 기계학습이 데이터로부터 기본적인 화학 원리를 재발견할 수 있음을 보여준다.

ABSTRACT

Machine-learning of atomic-scale properties amounts to extracting correlations between structure, composition and the quantity that one wants to predict. Representing the input structure in a way that best reflects such correlations makes it possible to improve the accuracy of the model for a given amount of reference data. When using a description of the structures that is transparent and well-principled, optimizing the representation might reveal insights into the chemistry of the data set. Here we show how one can generalize the SOAP kernel to introduce a distance-dependent weight that accounts for the multi-scale nature of the interactions, and a description of correlations between chemical species. We show that this improves substantially the performance of ML models of molecular and materials stability, while making it easier to work with complex, multi-component systems and to extend SOAP to coarse-grained intermolecular potentials. The element correlations that give the best performing model show striking similarities with the conventional periodic table of the elements, providing an inspiring example of how machine learning can rediscover, and generalize, intuitive concepts that constitute the foundations of chemistry.

연구 동기 및 목표

• 원자 스케일의 물리적 성질을 예측하기 위한 기계학습 모델의 구조적 표현을 최적화하여 재료 및 분자의 성질 예측 성능을 향상시키는 것.
• 다중 척도 상호작용과 화학 원소 간 상관관계를 포괄하는 데이터 기반의 방법을 개발하여 SOAP 커널의 일반화 능력을 향상시키는 것.
• 기계학습이 데이터로부터 기본적인 화학 개념, 예를 들어 주기율표를 재발견하고 일반화할 수 있는지 탐구하는 것.
• 복잡한 다성분 시스템의 더 정확한 모델링을 가능하게 하고, 군집화된 분자 간 상호작용 잠재에너지의 개발을 지원하는 것.

제안 방법

• 원자 구조 내의 다중 척도 상호작용을 고려하기 위해 거리에 따라 가중치가 변하는 가중 함수를 도입하여 SOAP 커널을 확장하는 것.
• 원소 간 상관관계를 커널 표현에 통합하여 원소 간 관계에 대한 모델 민감도를 향상시키는 것.
• 재료 및 분자의 안정성 예측을 위한 기준 데이터를 기반으로 기계학습 학습을 통해 표현을 최적화하는 것.
• 학습된 표현을 사용하여 원자 스케일 성질 예측 모델을 학습하고, 벤치마크 데이터셋에서 성능을 평가하는 것.
• 학습된 원소 간 상관관계를 분석하여 기존 주기율표와의 유사성을 평가하는 것.

실험 결과

연구 질문

• RQ1 데이터 기반의 SOAP 커널 확장 기법이 분자 및 재료 안정성 예측의 기계학습 모델 정확도를 향상시킬 수 있는가?
• RQ2 거리에 따라 가중치가 변하는 요소와 원소 간 상관관계는 기계학습 모델에서 원자 구조 표현을 어떻게 향상시키는가?
• RQ3 모델이 학습한 원소 간 상관관계가 전통적인 주기율표와 어느 정도 유사한가?
• RQ4 이 방법은 복잡한 다성분 시스템으로 일반화될 수 있으며, 분자 간 상호작용의 군집화 모델링을 가능하게 하는가?

주요 결과

• 제안된 커널 확장 기법은 분자 및 재료 안정성 예측에 있어 기계학습 모델의 성능을 크게 향상시킨다.
• 거리에 따라 가중치가 변하는 요소와 원소 간 상관관계를 통합함으로써 다양한 화학 체계에서 더 정확하고 강건한 예측이 가능해진다.
• 모델이 학습한 원소 간 상관관계는 전통적인 주기율표와 놀라울 정도로 유사한 구조적 특성을 보이며, 기계학습이 기본적인 화학 개념을 데이터로부터 재발견할 수 있음을 시사한다.
• 이 방법은 복잡한 다성분 재료의 더 효과적인 모델링을 가능하게 하고, 군집화된 분자 간 상호작용 잠재에너지의 개발을 지원한다.