[논문 리뷰] Computationally accelerated experimental materials characterization -- drawing inspiration from high-throughput simulation workflows

Markus Stricker, Lars Banko외 6명|arXiv (Cornell University)|2022. 12. 09.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 고성능 시뮬레이션을 위해 설계된 pyiron 프레임워크에 실험적 재료 특성 분석을 통합하기 위해, 조성 스프레드 재료 라이브러리(CSML)에서 측정을 자동으로 안내하는 가우시안 프로세스 회귀(GPR)를 통합하는 것을 제안한다. 이 방법은 측정되지 않은 점을 예측하고 불확실성을 제공함으로써 특성 분석을 가속화하며, 통합된 워크플로우 관리 덕분에 데이터 기원, 재현성, 재사용성을 확보하면서 실험적 노력의 약 10배를 줄인다.

ABSTRACT

Computational materials science increasingly benefits from data management, automation, and algorithm-based decision-making for the simulation of material properties and behavior. Experimental materials science also changes rapidly by incorporation of `machine learning' in materials discovery campaigns. The obvious benefits which include automation, reproducibility, data provenance, and reusability of managed data, however, is not widely available in the experimental domain. We present an implementation of a Active Learning loop with a direct interface to an experimental measurement device in pyiron, a framework designed for high-throughput simulations, as demonstrator how to combine experimental and simulated data in one framework. Apart from the acceleration provided by the active learning approach, additional acceleration of the experimental characterization is achieved by using prior knowledge from density functional theory simulations as well as composition-property predictions from literature mining using correlations in word embeddings. With data from all domains in the same framework, a heretofore untapped and much-needed potential for the acceleration of materials characterization and materials discovery campaigns becomes available.

연구 동기 및 목표

• 실험적 재료 특성 분석 워크플로우에서 자동화, 데이터 기원, 재사용성의 부족을 해결한다.
• 고성능 시뮬레이션과 실험적 특성 분석 간 격차를 해소하기 위해 둘 다를 하나의 워크플로우 프레임워크 안에서 통합한다.
• 특히 가우시안 프로세스 회귀를 통해 실험 측정 장치에서 직접적으로 활성 학습 전략을 적용하여 샘플링을 최적화한다.
• 모의 및 실험 데이터를 하나의 시스템에서 결합함으로써 재료 발견을 가속화할 잠재력을 열어낸다.
• 모의, 합성, 실제 재료 특성 분석 중에서 동적으로 선택하는 자율적·에이전트 기반의 재료 발견 기반을 마련한다.

제안 방법

• 장치, 샘플, 측정 매개변수의 입력 구성 기능을 포함한 실험 워크플로우를 관리할 수 있는 새로운 커스터마이징된 작업 유형을 pyiron 프레임워크에 확장하였다.
• 테스트를 위해 실제 측정 API를 모방하는 파이썬 기반의 듀먼드 실험 장치를 구현하여 조성에 따라 저항 값을 반환하도록 하였다.
• GPy 라이브러리를 통합해 활성 학습을 위한 가우시안 프로세스 회귀를 처리하였으며, 실시간 모델 업데이트와 측정되지 않은 점의 불확실성 기반 예측을 가능하게 하였다.
• GPR 모델이 CSML에서 불확실성을 최소화하고 정보 수확을 극대화하기 위해 다음 최적의 측정 지점을 선택하는 워크플로우를 설계하였다.
• pyiron의 계층적 데이터 관리 및 작업 추적 시스템을 활용해 모든 데이터 기원과 재현성을 보장하였다.
• 모든 결과를 통합된 접근 가능하고 버전 관리가 가능한 데이터베이스에 저장함으로써 시뮬레이션 및 실험 데이터 간의 상호운용성을 확보하였다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스 회귀를 통한 활성 학습이 재료 특성 분석의 실제 측정 장치에 효과적으로 적용될 수 있는가?
• RQ2 pyiron과 같이 시뮬레이션 중심의 프레임워크에 실험 워크플로우를 통합함으로써 자동화, 재현성, 데이터 재사용성은 어느 정도 향상될 수 있는가?
• RQ3 CSML 특성 분석에서 불확실성 기반의 모델 가이드 샘플링을 사용할 경우, 필수 측정 수를 얼마나 줄일 수 있는가?
• RQ4 모의, 합성, 실제 재료 테스트를 결합한 자율적·다중 에이전트 발견 주기 구현을 위한 기술적 및 인프라적 조건은 무엇인가?
• RQ5 모의 및 실험 데이터를 모두 관리하는 통합 소프트웨어 계층이 더 빠르고 신뢰할 수 있는 재료 발견을 가능하게 할 수 있는가?

주요 결과

• pyiron 내에서 가우시안 프로세스 회귀를 실험 워크플로우에 통합함으로써 필수 측정 수를 약 10배 줄였다.
• 측정되지 않은 저항 값에 대해 정확한 예측과 함께 불확실성 추정치를 제공함으로써, 정보 기반의 샘플링 결정을 가능하게 하였다.
• 모든 실험 및 모델링 단계가 자동으로 기록되어 pyiron의 내장된 워크플로우 추적 기능을 통해 완전한 재현성과 데이터 기원을 확보하였다.
• 이 프레임워크는 실험 데이터를 시뮬레이션 데이터와 동일한 엄격함으로 관리할 수 있음을 입증하였으며, 이는 이전 지식을 활용한 모델의 전략적 초기화와 재사용 가능성을 보장한다.
• 프로토타입은 시뮬레이션, 합성, 실험적 특성 분석 중에서 동적으로 선택하는 자율적 재료 발견 플랫폼의 실현 가능성을 성공적으로 입증하였다.
• 이 방법은 향후 인간 간섭을 최소화하면서 모의 및 실제 실험 데이터를 모두 활용해 미래 측정을 안내하는 지능형 에이전트의 연합 시스템을 위한 길을 열어 놓는다.