[논문 리뷰] Descriptors for Machine Learning of Materials Data

Atsuto Seko, Atsushi Togo외 1명|arXiv (Cornell University)|2017. 09. 06.

Machine Learning in Materials Science인용 수 5

한 줄 요약

이 논문은 원소 및 구조적 표현을 기반으로 기계학습 기반 기술자(Descriptor)를 체계적으로 구성하는 프레임워크를 제시하며, 결합 에너지나 격자 열전도도와 같은 물리적 성질을 정확하게 예측할 수 있도록 한다. 원자적 성질 등의 원소 기반 특징과 반경 분포 함수, 결합 순서 수치 등의 구조적 기술자들을 조합함으로써, 낮은 격자 열전도도를 가지는 화합물의 식별 및 안정한 무기 결정체를 위한 추천 시스템의 가속화를 포함한 재료 탐색에서 높은 예측 성능를 달성한다.

ABSTRACT

Descriptors, which are representations of compounds, play an essential role in machine learning of materials data. Although many representations of elements and structures of compounds are known, these representations are difficult to use as descriptors in their unchanged forms. This chapter shows how compounds in a dataset can be represented as descriptors and applied to machine-learning models for materials datasets.

연구 동기 및 목표

• 다양한 조성과 결정 구조를 가진 다양한 재료에 대해 강력하고, 불변이며, 확장 가능한 기술자 체계를 개발하기 위해.
• 원소 및 구조적 표현을 통합된 복합 기술자로 조합하여 기계학습 성능을 향상시켜 재료 성질 예측에 기여하기 위해.
• 최적화된 기술자를 기반으로 가우시안 프로세스 회귀와 베이지안 최적화를 활용해 효율적인 재료 탐색을 가능하게 하기 위해.
• 조성 유사성과 기술자 기반 분류 기반 추천 시스템 접근법을 통해 기존 데이터베이스에 존재하지 않는 안정한 무기 결정 화합물 조성을 가속적으로 식별하기 위해.

제안 방법

• 원자 번호, Electronegativity 등 원소 표현과 반경 분포 함수, 결합 순서 수치 등 구조적 표현을 조합하여 복합 기술자를 구성한다.
• 원소 및 구조적 특징의 평균, 표준편차, 공분산을 기계학습 모델의 입력 기술자로 사용한다.
• 낮은 격자 열전도도를 가지는 재료를 효율적으로 탐색하기 위해 베이지안 최적화를 적용한 가우시안 프로세스 회귀를 적용한다.
• 기본 통계 기반의 기술자 유사성에 기반한 조성 유사성으로 추천 시스템을 구현하여 기존 데이터베이스에 없는 화학적으로 관련 있는 조성을 예측한다.
• 기술자 기반 유사성에 기반한 이중 분류 모델을 훈련하여 안정한 결정 구조 조성을 식별한다.
• 원자 환경의 대칭 함수를 사용하여 이동, 회전, 원자 순서의 치환에 대해 불변성을 확보한다.

실험 결과

연구 질문

• RQ1 다양한 재료에 대해 원소 및 구조적 표현을 어떻게 통합된 불변 기술자 집합으로 조합할 수 있는가?
• RQ2 이러한 복합 기술자를 사용한 기계학습 모델의 결합 에너지 및 격자 열전도도와 같은 물리적 성질에 대한 예측 성능는 어떠한가?
• RQ3 이러한 기술자를 사용한 베이지안 최적화가 랜덤 검색에 비해 낮은 격자 열전도도 재료를 효율적으로 발견할 수 있는가?
• RQ4 추천 시스템 접근법은 기존에 알려지지 않은 안정한 무기 결정 화합물 조성을 식별하는 데 얼마나 효과적인가?
• RQ5 다양한 구조적 기술자(GRDF 대비 BOP)는 재료 선별 과정에서 이방성 화합물의 발견에 어떻게 영향을 미치는가?

주요 결과

• 기술자 프레임워크는 다양한 화학 조성과 결정 구조를 가진 화합물을 불변이며 고정된 차원의 벡터로 성공적으로 표현하였다.
• 결합 순서 수치(BOP)를 사용한 가우시안 프로세스 모델은 PbClBr의 낮은 격자 열전도도를 발견하기 위해 평균 5.0개의 샘플만 필요로 하였으며, 이는 랜덤 검색의 10배(50개 샘플)에 못 미치는 효율성을 보였다.
• PbRbI₃, PbIBr, PbRb₄Br₆, PbICl, PbClBr 다섯 가지 화합물은 300 K에서 격자 열전도도가 0.2 W/mK 이하로 나타나, rocksalt PbSe(0.9 W/mK)보다 훨씬 낮은 수준을 기록하였다.
• 기본 통계 기반 기술자 유사성에 기반한 추천 시스템 접근법은 이중 분류 모델을 활용해 ICSD 데이터베이스에 존재하지 않는 화학적으로 관련 있는 조성을 식별하였다.
• BOP 기반 모델은 GRDF 기반 모델에 비해 CuCl과 LiI와 같은 이방성 화합물을 더 효과적으로 발견하였으며, 이는 GRDF 모델에서 이방성 표현이 열악하여 지연되었기 때문이다.
• 기술자 체계는 효율적인 가상 선별 및 베이지안 최적화를 가능하게 하여 다양한 응용 분야에서 고속 재료 탐색에 실용성을 입증하였다.