[논문 리뷰] Deep Learning Aided Rational Design of Oxide Glasses

Ravinder Bhattoo, Karthikeya H. Sreedhara외 6명|arXiv (Cornell University)|2019. 12. 25.

Glass properties and applications참고 문헌 43인용 수 5

한 줄 요약

이 논문은 최대 37종의 산화물 성분을 포함하는 10만 개가 넘는 조성의 대규모 데이터셋을 활용하여 산화물 유리의 합리적 설계를 위한 딥러닝 프레임워크를 제시한다. 저자들은 실험 데이터와 강한 일치를 보이는 고정밀도 딥 뉴럴 네트워크를 개발하여 영률 모odulus, 유리 전이 온도, 굴절률 등 여덟 가지 핵심 성질을 예측한다. 이를 통해 다중 제약 조건 설계를 위한 유리 선택 차트를 제작할 수 있다.

ABSTRACT

Despite the extensive usage of oxide glasses for a few millennia, the composition-property relationships in these materials still remain poorly understood. While empirical and physics-based models have been used to predict properties, these remain limited to a few select compositions or a series of glasses. Designing new glasses requires a priori knowledge of how the composition of a glass dictates its properties such as stiffness, density, or processability. Thus, accelerated design of glasses for targeted applications remain impeded due to the lack of universal composition-property models. Herein, using deep learning, we present a methodology for the rational design of oxide glasses. Exploiting a large dataset of glasses comprising of up to 37 oxide components and more than 100,000 glass compositions, we develop high-fidelity deep neural networks for the prediction of eight properties that enable the design of glasses, namely, density, Young's modulus, shear modulus, hardness, glass transition temperature, thermal expansion coefficient, liquidus temperature, and refractive index. These models are by far the most extensive models developed as they cover the entire range of human-made glass compositions. We demonstrate that the models developed here exhibit excellent predictability, ensuring close agreement with experimental observations. Using these models, we develop a series of new design charts, termed as glass selection charts. These charts enable the rational design of functional glasses for targeted applications by identifying unique compositions that satisfy two or more constraints, on both compositions and properties, simultaneously. The generic design approach presented herein could catalyze machine-learning assisted materials design and discovery for a large class of materials including metals, ceramics, and proteins.

연구 동기 및 목표

• 산화물 유리에 대한 통합된 조성-성질 모델의 부족으로 인해 가속화된 재료 설계가 저해되는 문제를 해결하기 위해.
• 인간이 만든 산화물 유리 조성 전역에서 다양한 물리적 성질을 예측할 수 있는 데이터 기반의 확장 가능한 접근법을 개발하기 위해.
• 여러 성질 및 조성 제약 조건을 동시에 충족하는 조성을 식별함으로써 다목적 설계를 통한 기능성 유리의 합리적 설계를 가능하게 하기 위해.
• 산화물 유리 이외의 재료 계열, 예를 들어 금속, 세라믹스, 단백질 등으로도 적용 가능한 일반적인 기계학습 프레임워크를 구축하기 위해.

제안 방법

• 최대 37종의 산화물 성분을 포함하는 10만 개가 넘는 산화물 유리 조성의 종합 데이터셋을 기반으로 딥 뉴럴 네트워크를 훈련한다.
• 산화물 목 분율 및 구조적 파라미터를 포함한 입력 벡터로 유리 조성을 인코딩하기 위한 특징 공학을 사용한다.
• 밀도, 영률 모odulus, 전단 모odulus, 경도, 유리 전이 온도, 열팽창 계수, 액상 온도, 굴절률을 포함한 여덟 가지 핵심 성질을 예측하기 위해 다중 출력 신경망을 훈련한다.
• 다양한 유리 시스템에 걸쳐 높은 정밀도와 일반화 능력을 확보하기 위해 모델 예측 결과를 실험 데이터와 비교 검증한다.
• 사용자 정의된 조성 및 다중 성질 제약 조건을 동시에 충족하는 조성을 식별함으로써 유리 선택 차트를 생성한다.
• 복잡하고 고차원적인 데이터에서 오버피팅을 방지하고 모델의 강건성을 향상시키기 위해 전이 학습 및 정규화 기법을 활용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 전체 조성 공간에서 산화물 유리의 광범위한 물리적 성질을 정확하게 예측할 수 있는가?
• RQ2 이러한 모델은 복잡한 다성분 산화물을 포함한 다양한 유리 시스템으로도 일반화될 수 있는가?
• RQ3 여러 성질 및 조성 제약 조건을 동시에 충족하는 조성을 식별함으로써 모델은 합리적 설계를 가능하게 하는가?
• RQ4 정확도와 신뢰성 측면에서 예측된 성질은 실험 측정값과 어떻게 비교되는가?
• RQ5 이 프레임워크는 산화물 유리 이외의 다른 재료 계열로도 확장 가능한가?

주요 결과

• 딥러닝 모델은 모든 여덟 가지 성질에 대해 예측값과 실험값 간 강한 일치를 보이며 높은 예측 정확도를 달성한다.
• 이 모델들은 현재까지 가장 포괄적인 것으로, 복잡한 다성분 시스템을 포함하여 인간이 만든 산화물 유리 조성 전역을 커버한다.
• 유리 선택 차트가 성공적으로 생성되었으며, 이로 인해 두 가지 이상의 성질 및 조성 제약 조건을 동시에 충족하는 고유한 조성을 식별할 수 있었다.
• 프레임워크는 고차원적이고 희박한 조성 데이터에서도 최소한의 오버피팅을 보이며 뛰어난 일반화 능력을 입증하였다.
• 특정 응용 분야, 예를 들어 광학적, 구조적, 열에 강한 재료 등에 적합한 기능성 유리의 가속화된 합리적 설계가 가능하다.
• 이 방법론은 이식 가능하고 확장 가능하여 금속, 세라믹스, 단백질 등에서 기계학습 기반 재료 발견의 기초를 제공한다.