[논문 리뷰] Deep Learning of Superconductors I: Estimation of Critical Temperature of Superconductors Toward the Search for New Materials

Tomohiko Konno, Hodaka Kurokawa외 5명|arXiv (Cornell University)|2018. 12. 03.

Machine Learning in Materials Science인용 수 3

한 줄 요약

이 논문은 새로운 '읽기 주기율표' 방법을 사용하여 화학 조성을 읽는 딥러닝 모델을 소개하며, 초전도체의 임계 온도(Tc)를 예측하는 데 R² = 0.92의 성능을 달성한다. '쓰레기 입력' 기법을 통해 합성된 비초전도체 데이터를 생성하고 실제 초전도체 데이터로 훈련시킴으로써, 모델은 62%의 정밀도로 초전도성을 예측하며, 훈련 데이터 외부에 있는 기존 및 신규 초전도체를 발견한다. 이는 CaBi₂ 및 2008년 이전에 발견되지 않은 철 기반 초전도체를 포함한다.

ABSTRACT

Exploration of new superconductors still relies on the experience and intuition of experts and is largely a process of experimental trial and error. In one study, only 3% of the candidate materials showed superconductivity. Here, we report the first deep learning model for finding new superconductors. We introduced the method named reading periodic which represented the periodic table in a way that allows deep learning to learn to read the periodic table and to learn the law of elements for the purpose of discovering novel superconductors that are outside the training data. It is recognized that it is difficult for deep learning to predict something outside the training data. Although we used only the chemical composition of materials as information, we obtained an $R^{2}$ value of 0.92 for predicting $T_ ext{c}$ for materials in a database of superconductors. We also introduced the method named garbage-in to create synthetic data of non-superconductors that do not exist. Non-superconductors are not reported, but the data must be required for deep learning to distinguish between superconductors and non-superconductors. We obtained three remarkable results. The deep learning can predict superconductivity for a material with a precision of 62%, which shows the usefulness of the model; it found the recently discovered superconductor CaBi2 and another one Hf0.5Nb0.2V2Zr0.3, neither of which is in the superconductor database; and it found Fe-based high-temperature superconductors (discovered in 2008) from the training data before 2008. These results open the way for the discovery of new high-temperature superconductor families. The candidate materials list, data, and method are openly available from the link this https URL.

연구 동기 및 목표

• 실험적 시도와 오류에 기반한 초전도체 발견의 한계를 극복하기 위해, 훈련 데이터 외부로 일반화 가능한 데이터 기반 방법을 개발한다.
• 딥러닝이 주기율표와 화학 조성을 이해하고 초전도 임계 온도(Tc)를 예측할 수 있도록 한다.
• 비초전도체 데이터의 부족 문제를 해결하기 위해 '쓰레기 입력' 기법을 활용해 존재하지 않는 비초전도체 물질을 합성 생성한다.
• 예측 모델링을 통해 기존 데이터베이스에 존재하지 않는 신규 초전도체를 발견한다.

제안 방법

• 주기율표를 인코딩할 수 있는 '읽기 주기율표'라는 표현 방법을 도입하여, 딥러닝 모델이 원소 간의 관계와 추세를 학습할 수 있도록 한다.
• 화학 조성만을 입력으로 사용하여 실제 초전도체 데이터로 딥 네트워크를 훈련시고 Tc를 예측한다.
• '쓰레기 입력' 기법을 적용하여 존재하지 않는 비초전도체 물질을 합성 생성함으로써 모델의 일반화 능력을 향상시킨다.
• 예측된 Tc를 기반으로 초전도체 또는 비초전도체로 물질을 분류하기 위해 임계값을 설정한다.
• Tc 예측의 경우 R², 초전도성 분류의 경우 정확도를 사용하여 모델 성능을 평가한다.
• 훈련 기간 이후에 발견된 알려진 물질에 대한 모델 예측을 검증한다.

실험 결과

연구 질문

• RQ1 화학 조성만으로 훈련된 딥러닝 모델이 훈련 분포 외부의 물질에 대해서도 높은 정확도로 Tc를 예측할 수 있는가?
• RQ2 '쓰레기 입력' 기법이 비초전도체 데이터를 효과적으로 합성 생성하여 초전도체와 비초전도체를 구분하는 데 모델 성능을 향상시키는 데 기여하는가?
• RQ3 훈련 데이터에 포함되지 않은 기존 초전도체, 특히 훈련 종료 이후에 발견된 초전도체를 모델이 성공적으로 예측할 수 있는가?
• RQ4 예를 들어 철 기반 또는 기타 고임계온도 가족에 속하는 새로운 물질에 대해 초전도성을 예측할 수 있는가?
• RQ5 복잡하거나 비정상적인 조성을 가진 물질에 대해서는 모델이 얼마나 잘 일반화되는가?

주요 결과

• 모델은 화학 조성만을 사용하여 초전도체의 Tc를 예측하는 데 R² = 0.92의 높은 성능을 달성하여 강력한 회귀 성능을 보였다.
• 모델은 62%의 정밀도로 초전도성을 예측하여, 초전도체와 비초전도체를 구분하는 능력을 입증했다.
• 훈련 데이터에 포함되지 않은 최근에 발견된 초전도체인 CaBi₂의 존재를 성공적으로 예측했다.
• Hf₀.₅Nb₀.₂V₂Zr₀.₃은 이전에 초전도체로 보고되지 않은 물질이지만, 모델이 잠재적인 초전도체로 식별했다.
• 2008년 이전에 발견되지 않은 철 기반 고임계온도 초전도체의 존재를 훈련 기간 이후에도 예측함으로써, 훈련 기간을 초월한 예측 능력을 입증했다.
• 복잡한 스토이히오메트리의 물질을 포함한 훈련 분포 외부의 물질에 대해서도 일반화 능력을 입증함으로써 모델의 예측이 검증되었다.