[논문 리뷰] Data-Centric Mixed-Variable Bayesian Optimization For Materials Design

Akshay Iyer, Yichi Zhang외 6명|arXiv (Cornell University)|2019. 07. 04.

Machine Learning in Materials Science참고 문헌 38인용 수 4

한 줄 요약

이 논문은 문헌, 실험 및 시뮬레이션에서 유래한 이종 데이터를 통합하여 재료 설계를 가속화하는 데이터 중심의 혼합 변수 베이지안 최적화 프레임워크를 제안한다. 정성적 변수와 정량적 변수를 함께 모델링하기 위해 잠재변수 가우시안 프로세스(LVGP)를 활용함으로써, 이 방법은 복잡하고 비선형적인 설계 공간을 효율적으로 탐색하고, 수십 번의 반복 내에 최적의 폴리머 나노복합재 조성과 미세구조를 식별한다. 이는 단일 및 다중 목표 최적화 작업에서 뛰어난 성능을 보인다.

ABSTRACT

Materials design can be cast as an optimization problem with the goal of achieving desired properties, by varying material composition, microstructure morphology, and processing conditions. Existence of both qualitative and quantitative material design variables leads to disjointed regions in property space, making the search for optimal design challenging. Limited availability of experimental data and the high cost of simulations magnify the challenge. This situation calls for design methodologies that can extract useful information from existing data and guide the search for optimal designs efficiently. To this end, we present a data-centric, mixed-variable Bayesian Optimization framework that integrates data from literature, experiments, and simulations for knowledge discovery and computational materials design. Our framework pivots around the Latent Variable Gaussian Process (LVGP), a novel Gaussian Process technique which projects qualitative variables on a continuous latent space for covariance formulation, as the surrogate model to quantify "lack of data" uncertainty. Expected improvement, an acquisition criterion that balances exploration and exploitation, helps navigate a complex, nonlinear design space to locate the optimum design. The proposed framework is tested through a case study which seeks to concurrently identify the optimal composition and morphology for insulating polymer nanocomposites. We also present an extension of mixed-variable Bayesian Optimization for multiple objectives to identify the Pareto Frontier within tens of iterations. These findings project Bayesian Optimization as a powerful tool for design of engineered material systems.

연구 동기 및 목표

• 정성적(예: 미세구조 유형) 및 정량적(예: 조성) 변수가 동시에 존재할 때 발생하는 성능 공간의 이질성 문제를 해결하기 위해.
• 기존의 이종 데이터(문헌, 실험, 시뮬레이션)를 활용하여 데이터 부족과 고비용 시뮬레이션 문제를 완화하기 위해.
• 제한된 데이터가 있는 영역, 특히 정성적 변수에 대해 불확실성을 정량화할 수 있는 서로서비스 모델링 방법을 개발하기 위해.
• 균형 잡힌 탐색-이용 전략을 통해 복잡하고 비선형적인 설계 공간을 효율적으로 탐색하기 위해.
• 최소한의 평가로 다중 목표 최적화를 수행하고 파레토 최적 경계를 식별할 수 있도록 프레임워크를 확장하기 위해.

제안 방법

• 프레임워크는 정성적 변수를 연속적인 잠재공간으로 매핑하여 혼합 변수 유형 간 공분산 계산이 가능하도록 하는 잠재변수 가우시안 프로세스(LVGP)를 사용한다.
• LVGP 모델은 희소하거나 이종 데이터가 존재하는 상황에서도 설계 변수(조성, 미세구조, 제조 조건)와 재료 성능 간의 관계를 포착한다.
• 탐색의 불확실성 영역과 유망한 설계의 이용 간 균형을 이루기 위해 기대 개선도(Expected Improvement, EI)을 할당 함수로 사용한다.
• 최적화 루프는 EI 기반으로 새로운 설계 후보를 순차적으로 선택함으로써 고비용 평가 횟수를 최소화한다.
• 다중 목표 최적화를 위해 프레임워크는 EI를 다중 성능 기준에 적용하고, 파레토 최적 경계를 효율적으로 식별한다.
• 문헌, 실험, 시뮬레이션 등 다양한 원천의 데이터를 통합하여 유일한 서로서비스 모델을 구성함으로써 지식 추출을 극대화한다.

실험 결과

연구 질문

• RQ1 재료 설계에서 정성적 및 정량적 설계 변수를 동시에 다룰 수 있도록 혼합 변수 베이지안 최적화를 어떻게 향상시킬 수 있는가?
• RQ2 데이터 중심 접근법이 이종 데이터 원천을 효과적으로 통합하여 서로서비스 모델 정확도 및 불확실성 정량화를 향상시킬 수 있는가?
• RQ3 LVGP 기반 프레임워크는 재료 최적화에 필요한 평가 횟수를 어느 정도 줄일 수 있는가?
• RQ4 이 프레임워크는 조성과 미세구조 측면에서 절연성 폴리머 나노복합재의 최적 설계를 얼마나 잘 식별하는가?
• RQ5 제한된 평가 횟수로 다중 목표 재료 설계에서 파레토 최적 경계를 효율적으로 식별할 수 있는가?

주요 결과

• LVGP 기반 서로서비스 모델은 제한된 데이터 조건에서도 정성적 및 정량적 변수의 공동 영향을 재료 성능에 대해 성공적으로 모델링한다.
• 프레임워크는 수십 번의 반복 내에 최적의 폴리머 나노복합재 조성과 미세구조를 확보하여 실험 또는 시뮬레이션에 필요한 평가 횟수를 크게 감소시킨다.
• 기대 개선도 할당 함수는 복잡하고 비선형적인 설계 공간에서 탐색과 이용 간 균형을 효과적으로 유지한다.
• 이 방법은 단일 및 다중 목표 최적화 작업 모두에서 뛰어난 성능을 보이며, 최소한의 평가로 파레토 최적 경계를 식별한다.
• 문헌, 실험, 시뮬레이션에서 유래한 이종 데이터의 통합은 모델의 일반화 능력과 불확실성 정량화 능력을 향상시킨다.
• 프레임워크는 기존 데이터로부터 효율적인 지식 발견을 가능하게 하여 고비용 재료 설계 문제에 적합하다.