[논문 리뷰] Interpretable discovery of new semiconductors with machine learning

Hitarth Choubisa, Petar Todorović́외 6명|arXiv (Cornell University)|2021. 01. 12.

Machine Learning in Materials Science참고 문헌 29인용 수 5

한 줄 요약

이 논문은 고-throughput DFT 데이터 기반으로 훈련된 딥 서rogate 모델과 진화 알고리즘 검색을 조합한 해석 가능한 기계학습 프레임워크 DARWIN을 제안한다. 이는 새로운 반도체를 발견하는 데에 기여한다. 전기음성도의 차이가 구조적 안정성의 핵심 예측 변수임을 규명하였고, 실험적으로 K₂CuX₃ (X = Cl, Br)가 안정적이고 직접 금역대를 갖는 자외선 발광체로 확인되었다. 이는 데이터 기반, 해석 가능한 재료 발견의 길을 보여준다.

ABSTRACT

Machine learning models of materials$^{1-5}$ accelerate discovery compared to ab initio methods: deep learning models now reproduce density functional theory (DFT)-calculated results at one hundred thousandths of the cost of DFT$^{6}$. To provide guidance in experimental materials synthesis, these need to be coupled with an accurate yet effective search algorithm and training data consistent with experimental observations. Here we report an evolutionary algorithm powered search which uses machine-learned surrogate models trained on high-throughput hybrid functional DFT data benchmarked against experimental bandgaps: Deep Adaptive Regressive Weighted Intelligent Network (DARWIN). The strategy enables efficient search over the materials space of ~10$^8$ ternaries and 10$^{11}$ quaternaries$^{7}$ for candidates with target properties. It provides interpretable design rules, such as our finding that the difference in the electronegativity between the halide and B-site cation being a strong predictor of ternary structural stability. As an example, when we seek UV emission, DARWIN predicts K$_2$CuX$_3$ (X = Cl, Br) as a promising materials family, based on its electronegativity difference. We synthesized and found these materials to be stable, direct bandgap UV emitters. The approach also allows knowledge distillation for use by humans.

연구 동기 및 목표

• 계산 비용이 큰 아비니오 메서드를 대체하여 효율적인 기계학습 서rogate 모델을 도입함으로써 새로운 반도체의 발견 속도를 가속화하고자 한다.
• 블랙박스 기계학습 모델의 해석 불가능성 문제를 해결하기 위해 모델 예측에서 설계 규칙을 유도하고자 한다.
• 이론적 예측과 실험적 합성 간 격차를 메우기 위해 훈련 데이터가 실험 관찰과 일치하도록 보장하고자 한다.
• 인간 연구자가 이해하고 적용할 수 있도록 발견된 설계 원칙을 지식 정제화함으로써 지식 전이를 가능하게 하고자 한다.

제안 방법

• 이 방법은 고속 하이브리드 기능 DFT 계산 데이터 기반으로 훈련된 딥 러닝 서rogate 모델인 Deep Adaptive Regressive Weighted Intelligent Network (DARWIN)을 사용한다.
• DARWIN는 실제 합성과 관련된 예측 정확도를 확보하기 위해 실험적 금역대와 비교된다.
• 진화 알고리즘이 약 10⁸개의 삼원 및 10¹¹개의 사원 합성물 조합으로 이루어진 광범위한 재료 공간을 효율적으로 탐색하여 목표 전자적 성질을 갖는 재료를 찾는다.
• 모델은 할로겐과 B위치 카이온 사이의 전기음성도 차이와 같은 해석 가능한 특징을 강력한 구조적 안정성 예측 변수로 규명한다.
• 특징 중요도 분석과 지식 정제화를 통해 해석 가능성을 향상시켜 인간이 이해할 수 있는 설계 규칙을 도출한다.
• 이 프레임워크는 예측된 재료가 합성되고 특성 분석되는 실험 검증과 통합되어 있다.

실험 결과

연구 질문

• RQ1 해석 가능한 특징을 갖는 기계학습 프레임워크가 정확성과 실험적 관련성을 유지하면서도 새로운 반도체의 발견을 가속화할 수 있는가?
• RQ2 복잡한 산화물 및 셀레니드 재료에서 구조적 안정성의 강력한 예측 변수로 나타나는 물리화학적 서술자들은 무엇인가?
• RQ3 진화 알고리즘이 삼원 및 사원 반도체의 광범위한 화학적 공간을 어떻게 효율적으로 탐색할 수 있는가?
• RQ4 DFT 데이터 기반으로 훈련된 서rogate 모델이 실험적으로 관찰 가능한 금역대와 재료 안정성을 얼마나 정확하게 예측할 수 있는가?
• RQ5 발견된 설계 규칙를 인간이 이해할 수 있는 원칙으로 정제할 수 있는가?

주요 결과

• 할로겐과 B위치 카이온 사이의 전기음성도 차이가 삼원 재료에서 구조적 안정성의 주요 예측 변수로 규명되었다.
• DARWIN는 K₂CuX₃ (X = Cl, Br)가 안정적이고 직접 금역대를 갖는 반도체이며 자외선 발광 성질을 지닌다고 예측하였다.
• 실험적으로 합성된 K₂CuX₃ 재료는 안정적이며 자외선 발광에 적합한 직접 금역대를 갖는 것으로 확인되었다.
• 실험 데이터와의 비교를 통해 모델은 높은 정확도로 금역대를 예측하여 실제 합성과의 관련성을 확보하였다.
• 이 프레임워크는 사원 합성물 조합의 약 10¹¹개에 이르는 검색 공간을 고위험도 후보군으로 효율적으로 축소시켰다.
• 지식 정제화를 통해 전기음성도 불일치가 퍼보스카이트 유사 구조의 안정화에 기여한다는 등의 해석 가능한 설계 규칙를 추출할 수 있었다.