[논문 리뷰] Adaptive Catalyst Discovery Using Multicriteria Bayesian Optimization with Representation Learning

Jie Chen, Pengfei Ou외 5명|arXiv (Cornell University)|2024. 04. 18.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 고속 촉매 발견을 가속화하기 위해 불확실성 인식 표현 학습을 통합한 다기준 베이지안 최적화 프레임워크를 제안한다. 밀도함수이론(DFT)과 새로운 원자구조 신경망(UPNet)을 통합하여 자동으로 특징을 추출하고 불확실성 양측을 수행함으로써, 필요한 DFT 계산 횟수를 10배 줄였으며 높은 예측 정확도를 달성하고 CO2 환원 반응에 대한 해석 가능하고 다기준 최적화를 가능하게 한다.

ABSTRACT

High-performance catalysts are crucial for sustainable energy conversion and human health. However, the discovery of catalysts faces challenges due to the absence of efficient approaches to navigating vast and high-dimensional structure and composition spaces. In this study, we propose a high-throughput computational catalyst screening approach integrating density functional theory (DFT) and Bayesian Optimization (BO). Within the BO framework, we propose an uncertainty-aware atomistic machine learning model, UPNet, which enables automated representation learning directly from high-dimensional catalyst structures and achieves principled uncertainty quantification. Utilizing a constrained expected improvement acquisition function, our BO framework simultaneously considers multiple evaluation criteria. Using the proposed methods, we explore catalyst discovery for the CO2 reduction reaction. The results demonstrate that our approach achieves high prediction accuracy, facilitates interpretable feature extraction, and enables multicriteria design optimization, leading to significant reduction of computing power and time (10x reduction of required DFT calculations) in high-performance catalyst discovery.

연구 동기 및 목표

• 고속 걸러내기에서 막대하고 고차원적인 촉매 조성 및 구조 공간을 탐색하는 데 도전 과제를 해결하기 위해.
• 수동적인 기술자료 설계 없이도 복잡한 촉매 구조에서 의미 있는 특징을 자동으로 추출할 수 있는 표현 학습 모델을 개발하기 위해.
• 활동도, 선택도, 안정성과 같은 여러 성능 지표를 동시에 고려하여 다기준 최적화를 가능하게 하기 위해.
• 불확실성 인식 획득 함수를 갖춘 적응형 베이지안 최적화 프레임워크를 통해 DFT 기반 촉매 걸러내기의 계산 비용과 시간을 줄이기 위해.

제안 방법

• 원자 척도 촉매 구조에서 직접 그래프 신경망 아키텍처를 사용해 불확실성 인식 표현 학습을 수행하는 딥러닝 모델인 UPNet을 도입한다.
• 다중 평가 기준에서 탐색과 이용의 균형을 이루기 위해 베이지안 최적화 내에서 제약 조건이 붙은 기대 개선(CEI) 획득 함수를 사용한다.
• 촉매 성능에 대한 기준 평가로 밀도함수이론(DFT) 계산을 활용하며, 순차적 최적화 루프에 통합한다.
• 하위 최적화에 필요한 데이터 요구량을 줄이고 일반화 능력을 향상시키기 위해 광범위한 촉매 구조 집합에서 자기지도 사전학습을 수행한다.
• UPNet에서의 불확실성 정량화를 활용해 활성 학습을 이끌며, 높은 불확실성 영역을 DFT 평가 우선순위에 올린다.
• 전체 파이프라인을 닫힌 루프 시스템으로 통합하여 반복적으로 유망한 후보를 DFT 검증에 선정함으로써 총 계산 비용을 최소화한다.

실험 결과

연구 질문

• RQ1 원자 구조에서의 불확실성 인식 표현 학습이 고차원 공간에서의 촉매 성질 예측 정확도와 효율성을 향상시키는가?
• RQ2 다기준 베이지안 최적화 프레임워크는 활동도, 선택도, 안정성과 같은 상충되는 목표를 촉매 설계에서 얼마나 효과적으로 균형 잡는가?
• RQ3 표현 학습이 예측 정밀도를 유지하면서 필요한 DFT 계산 횟수를 얼마나 줄일 수 있는가?
• RQ4 제안된 프레임워크는 촉매 재료의 의미 있는 구조-성질 관계를 드러내는 해석 가능한 특징 추출을 가능하게 하는가?

주요 결과

• 기존 걸러내기 접근 방식에 비해 필요한 DFT 계산 횟수를 10배 줄여 발견 과정을 크게 가속화했다.
• UPNet은 높은 예측 정확도를 달성했으며, 정보성 있는 후보를 DFT 평가에 선정하는 데 신뢰할 수 있는 불확실성 추정치를 제공한다.
• 과도전압과 패러데이 효율성 등 여러 기준에서 뛰어난 성능을 보이는 촉매 후보를 성공적으로 식별했다.
• 해석 가능한 특징 추출을 통해 촉매 성능과 관련된 의미 있는 원자 척도 기반 기술자료를 드러내어 구조-성질 관계에 대한 과학적 통찰을 향상시켰다.
• 제약 조건이 붙은 기대 개선 획득 함수는 효과적인 다기준 최적화를 가능하게 하여 상충되는 성능 지표 간의 트레이드오���을 균형 잡는 데 기여했다.
• 다양한 촉매 조성에 걸쳐 강인성과 일반화 능력을 입증하여 복잡한 재료 발견 문제에 대한 적용 가능성을 확인했다.