[논문 리뷰] CrystalGAN: Learning to Discover Crystallographic Structures with Generative Adversarial Networks

Asma Nouira, Nataliya Sokolovska외 1명|arXiv (Cornell University)|2018. 10. 26.

Machine Learning in Materials Science참고 문헌 18인용 수 87

한 줄 요약

CrystalGAN은 피쳐 전이 단계와 결정학-가이드 기하 제약을 갖춘 두 단계의 교차 도메인 GAN 아키텍처를 도입하여 이진 관찰로부터 새로운 삼원계 수소화물 구조를 생성합니다. 표준 GAN 및 DiscoGAN보다 화학적으로 합리적인 삼원계를 생성하는 데 우수합니다.

ABSTRACT

Our main motivation is to propose an efficient approach to generate novel multi-element stable chemical compounds that can be used in real world applications. This task can be formulated as a combinatorial problem, and it takes many hours of human experts to construct, and to evaluate new data. Unsupervised learning methods such as Generative Adversarial Networks (GANs) can be efficiently used to produce new data. Cross-domain Generative Adversarial Networks were reported to achieve exciting results in image processing applications. However, in the domain of materials science, there is a need to synthesize data with higher order complexity compared to observed samples, and the state-of-the-art cross-domain GANs can not be adapted directly. In this contribution, we propose a novel GAN called CrystalGAN which generates new chemically stable crystallographic structures with increased domain complexity. We introduce an original architecture, we provide the corresponding loss functions, and we show that the CrystalGAN generates very reasonable data. We illustrate the efficiency of the proposed method on a real original problem of novel hydrides discovery that can be further used in development of hydrogen storage materials.

연구 동기 및 목표

• 현실 세계 응용을 위한 새로운 다원적 안정 화합물의 효율적 생성을 촉진합니다.
• 비지도 생성 모델을 사용하여 안정한 결정 물질의 조합 문제를 다룹니다.
• 관찰된 샘플을 넘어 데이터 도메인 복잡성을 증가시키는 GAN 기반 프레임워크를 개발합니다.
• 수소 저장 재료에 대해 접근 방식을 시연하고 기준선과 비교합니다.

제안 방법

• 두 개의 교차 도메인 GAN 블록과 그 사이의 특징 전이 단계를 가진 CrystalGAN을 제안합니다.
• 재구성 손실과 적대적 손실을 사용하여 이진-유사 도메인 간의 그럴듯한 매핑을 보장합니다.
• 2단계 GAN에 기하학적 결정학 제약(가장 가까운 이웃 간의 거리)을 포함하여 안정성을 강제합니다.
• 두 단계 워크플로를 수행합니다: 먼저 복잡성을 증가시킨 의사 이진 데이터를 생성한 후 특징을 전이하여 더 높은 차원(삼원) 구조를 만듭니다.
• 결정학 데이터를 POSCAR 파일에서 파생된 4차원 텐서로 나타내고 이를 인코더-디코더 스타일 네트워크에 공급합니다.
• 교차 검증된 하이퍼파라미터로 학습하며, Adam 옵티마이저와 도메인 특화 거리 제약(d1=1.8 Å, d2=3 Å)을 사용합니다.

실험 결과

연구 질문

• RQ1 교차 도메인 GAN이 이진 결정학 도메인 간의 관계를 학습하여 새로운 삼원 구조를 합성할 수 있는가?
• RQ2 피처 전이 단계와 기하학적 제약을 추가하면 일반 GAN 및 DiscoGAN에 비해 생성된 삼원 구조의 품질과 안정성이 향상되는가?
• RQ3 생성된 삼원 구조가 결정학적 거리 제약 및 물리적으로 타당한가?
• RQ4 CrystalGAN이 실제 수소 저장 관련 시스템(Pd-H, Ni-H, Pd-Ni-H, Mg-Ti-H 등)에서 어떻게 성능을 발휘하는가?

주요 결과

• 기하학적 제약이 있는 CrystalGAN은 기준 GAN 및 DiscoGAN보다 더 높은 품질의 삼원 구조를 생성한다.
• Pd–Ni–H 및 Mg–Ti–H 작업에서 제약이 있는 CrystalGAN은 각각 9개와 8개의 유효 삼원 구조를 만들어내어 비제약 변형 및 기준보다 우수하다.
• 표준 GAN 및 DiscoGAN은 이진 관찰에서 유효한 삼원 구조를 생성하는 데 실패한다.
• CrystalGAN은 POSCAR 유사 결정학 데이터를 표현하고 생성할 수 있어 DFT나 실험을 통한 하류 검증이 가능하다.
• 기하학적 제약은 2단계 GAN이 생성된 결정의 화학적으로 타당한 이웃 거리로 향하도록 가이드하는 것으로 나타났다.