[논문 리뷰] Data-driven active learning approaches for accelerating materials discovery

Jiaxin Chen, Tianjiao Wan외 11명|arXiv (Cornell University)|2026. 01. 11.

Machine Learning in Materials Science인용 수 1

한 줄 요약

활발한 학습(AL) 방법의 포괄적 검토—전통적 및 딥 러닝 기반—데이터 효율성 향상과 시뮬레이션, 설계, 최적화 및 자율 실험실을 통한 재료 발견 가속화.

ABSTRACT

Materials discovery is a cornerstone of modern technological advancement, yet it remains constrained by traditional trial-and-error paradigms and the inherent bias of human intuition. Artificial intelligence (AI) has emerged as a transformative tool in materials science by effectively modeling structure-property relationships. Despite substantial efforts to enhance model expressiveness, data efficiency remains an equally critical challenge, given the limited availability of experimental and computational resources. Active learning (AL), as a data-driven machine learning paradigm, has shown great promise for discovering novel materials and enabling the efficient navigation of vast materials spaces. In this review, we follow the evolution of sampling strategy design techniques in AL, from Bayesian optimization to advanced deep learning-based strategies. We then highlight how AL enhances data efficiency across various data regimes, ranging from task-specific settings with limited data to the development of general-purpose datasets and large-scale models. We further provide a systematic overview of AL applications throughout the materials research pipeline, including computational simulation, composition and structural design, process optimization, and self-driving laboratory systems. Finally, we pinpoint key challenges and future perspectives of AL in materials discovery.

연구 동기 및 목표

• 데이터 labeling 자원이 제한된 상황에서 재료 발견에서 데이터 효율적인 AI의 필요성을 촉진한다.
• 대규모 재료 공간을 효율적으로 탐색하는 고전적 및 딥 활성 학습 접근법을 조사한다.
• 시뮬레이션, 설계, 자기 주도 실험실을 포함한 재료 연구 파이프라인에서 AL이 어떻게 통합되는지 설명한다.
• 재료 과학 분야에서 견고하고 확장 가능한 AL 도구의 도전 과제와 향후 방향을 확인한다.

제안 방법

• AL 패러다임을 스트림 기반, 풀 기반, 멤버십 질의 합성으로 분류하고 재료 연구와의 관련성을 논의한다.
• 전통적 AL 방법(Gaussian 프로세스, RF, SVM)과 도메인 특성의 핵심 획득 함수(EI, PI, UCB/LCB)를 검토한다.
• 딥 커널 학습, 베이지안 신경망, 몬테카를로 드롭아웃, DL 설정의 다충실도 MOBO를 포함한 딥 활성 학습(DAL)을 설명한다.
• 탐색, 다양성, 활용의 균형을 맞추기 위한 불확실성 기반, 분포 기반, 유틸리티 기반 샘플링과 하이브리드 전략을 논의한다.
• AL이 재료 연구 파이프라인 및 자율 주행 실험실 맥락에서 어떻게 적용되는지 설명한다.

실험 결과

연구 질문

• RQ1 제한된 라벨링 자원 아래에서 활성 학습이 재료 발견의 데이터 효율성을 어떻게 개선할 수 있는가?
• RQ2 다양한 데이터 규칙과 재료 설계 작업에 걸쳐 가장 효과적인 전통적 및 딥 AL 전략은 무엇인가?
• RQ3 AL 방법이 계산 시뮬레이션, 조성/구조 설계, 공정 최적화 및 자율 실험실과 어떻게 통합되는가?
• RQ4 AL의 주요 도전 과제(콜드 스타트, 분포 변화, 견고성)와 재료 과학에서의 향후 방향은 무엇인가?

주요 결과

• AL은 데이터 효율성과 광범위한 재료 공간 탐색을 포괄적으로 향상시키며, 전면적 평가와 비교했을 때 우수한 성능을 보인다.
• 베이지안 최적화, 불확실성 기반, 분포 기반 및 유틸리티 기반 접근법은 각각 보완적 강점을 제공하며 강건한 성능을 위해 하이브리드화될 수 있다.
• 딥 활성 학습은 딥 커널 학습, 베이지안 신경망, 앙상블, 증언적 DL 등을 통해 DL 모델에 AL을 확장하고 불확실성 정량화를 가능하게 한다.
• AL은 계산 시뮬레이션, 조성/구조 설계, 공정 최적화, 자율 주행 실험실 시스템 전반에 걸쳐 광범위하게 적용된다.
• 도전 과제로는 재료 맥락에서의 견고성, 확장성, AL 도구의 평가 등이 포함된다.