[논문 리뷰] Accelerating Materials-Space Exploration for Thermal Insulators by Mapping Materials Properties via Artificial Intelligence

Thomas A. R. Purcell, Matthias Scheffler외 2명|arXiv (Cornell University)|2022. 04. 27.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 단지 75개의 실험 데이터 포인트만을 사용하여 결정 격자 열전도도에 대한 설명 가능하고 분석 가능한 모델을 유도함으로써 열절연체의 재료 탐색을 가속화하는 기호적 회귀 및 민감도 분석 프레임워크를 제시한다. 이 방법은 몰 부피, 디바이 온도, 포논 비선형성과 같은 핵심 재료 성질을 식별하여 732종의 재료에 대한 계층적 걸러내기를 가능하게 하며, 300 K에서 κ < 1 W/mK인 초절연 후보 80종을 규명한다.

ABSTRACT

Reliable artificial-intelligence models have the potential to accelerate the discovery of materials with optimal properties for various applications, including superconductivity, catalysis, and thermoelectricity. Advancements in this field are often hindered by the scarcity and quality of available data and the significant effort required to acquire new data. For such applications, reliable surrogate models that help guide materials space exploration using easily accessible materials properties are urgently needed. Here, we present a general, data-driven framework that provides quantitative predictions as well as qualitative rules for steering data creation for all datasets via a combination of symbolic regression and sensitivity analysis. We demonstrate the power of the framework by generating an accurate analytic model for the lattice thermal conductivity using only 75 experimentally measured values. By extracting the most influential material properties from this model, we are then able to hierarchically screen 732 materials and find 80 ultra-insulating materials.

연구 동기 및 목표

• 열절연체의 재료 탐색에서 데이터 부족 문제를 해결하기 위해 기존 데이터를 초월하는 일반화 능력을 지닌 신뢰할 수 있고 설명 가능한 AI 모델을 개발한다.
• 기호적 회귀와 민감도 분석을 통해 결정 격자 열전도도를 지배하는 가장 영향력 있는 재료 성질을 규명한다.
• 희소 재료 공간에서 최대한의 탐색 효율성을 확보하기 위해 향후 데이터 수집을 안내하기 위해 민감도 분석과 불확실성 정량화를 활용한다.
• 기계학습의 정확성과 물리 기반 분석 모델의 해석 가능성의 장점을 결합한 서rogate 모델을 구축한다.
• 모델에서 유도된 예측 규칙에 기반해 우선순위를 매김으로써 열절연을 위한 고속 걸러내기 스크리닝을 가능하게 한다.

제안 방법

• SISSO(Sparse Identification of Nonlinear Dynamics)를 활용한 기호적 회귀를 통해 75개의 실험 데이터 포인트로부터 결정 격자 열전도도(κ_L)에 대한 명시적이고 분석 가능한 표현식을 도출한다.
• 입력 특징(예: 몰 부피, 디바이 온도, 포논 비선형성 등)의 공동 확률 분포를 모델링하기 위해 가우시안 코풀라를 사용하여 강력한 민감도 분석을 가능하게 한다.
• 글로벌 민감도 분석(Sobol’ 지수 등)을 적용하여 특징 중요도를 순위 매기고 열전도의 주요 메커니즘에 대한 물리적 통찰을 도출한다.
• 앙상블 샘플링을 통한 불확실성 정량화를 통합하여 재료 공간 전반에서 예측 신뢰도를 추정한다.
• 다양한 결정 구조를 가진 시료에서 기대되는 κ_L 값을 알려진 실험 데이터와 비교하여 모델의 예측 능력을 검증한다.
• 유도된 모델을 활용해 732종의 재료에 대한 계층적 걸러내기를 수행하고, 핵심 서술자에 기반한 낮은 예측 κ_L를 가진 재료를 우선순위에 올린다.

실험 결과

연구 질문

• RQ1 기존의 75개의 실험 데이터 포인트만으로 학습된 기호적 회귀 모델이 다양한 결정성 재료에 걸쳐 결정 격자 열전도도를 정확하게 예측할 수 있는가?
• RQ2 초저온 열전도도를 결정짓는 데 가장 영향력 있는 재료 성질은 무엇이며, 이들은 어떻게 상호작용하는가?
• RQ3 민감도 분석과 불확실성 정량화는 희소 재료 공간에서 최대한의 탐색 효율성을 확보하기 위해 향후 데이터 수집을 어떻게 안내할 수 있는가?
• RQ4 설명 가능한 AI 모델이 극단적인 성질을 지닌 새로운 재료로의 외삽 성능에서 블랙박스 기계학습 모델을 뛰어넘을 수 있는 정도는 어느 정도인가?
• RQ5 유도된 모델은 300 K에서 κ_L < 1 W/mK인 새로운 초절연 재료를 식별할 수 있으며, 이러한 행동을 가능하게 하는 물리적 조건은 무엇인가?

주요 결과

• 기호적 회귀 모델은 단지 75개의 실험 데이터 포인트만을 사용하여 결정 격자 열전도도에 대해 높은 예측 정확도를 달성하였으며, 평균 절대 오차가 최신의 커널 기반 방법과 유사한 수준이었다.
• 낮은 κ_L에 가장 영향을 미치는 성질은 몰 부피(V_m), 디바이 온도(Θ_D), 포논 비선형성(ω_Γ,max), 그리고 이온성(σ^A)으로 규명되었으며, 강한 비선형 상호작용이 존재했다.
• 민감도 분석을 통해 높은 몰 부피, 낮은 디바이 온도, 높은 포논 비선형성을 지닌 재료가 초저온 열전도도를 나타내기 가장 가능성 높다는 것이 드러났다.
• 모델은 732개 후보 재료 중에서 300 K에서 κ_L < 1 W/mK인 80종의 재료를 성공적으로 예측하여 기존의 열절연체 집합을 크게 확장하였다.
• 프레임워크의 불확실성 추정치는 예측의 신뢰도가 낮은 재료 공간 영역을 강조하여 향후 표본 채취를 타겟팅할 수 있도록 하였다.
• 모델의 분석 형태는 κ_L와 원자 부피(V_a) 사이에 반대 방향의 관계가 있음을 드러내었으며, 이는 디바이 온도(Θ_a)와 강한 음의 상관관계를 보이기 때문에 설명 가능하다. 이는 상관관계가 있는 서술자들이 중요한 역할을 한다는 점을 강조한다.