[논문 리뷰] Machine Learning and Materials Informatics: Recent Applications and Prospects

Rampi Ramprasad, Rohit Batra외 3명|arXiv (Cornell University)|2017. 07. 23.

Machine Learning in Materials Science참고 문헌 86인용 수 9

한 줄 요약

이 논문은 최근 기계학습 및 재료 정보학 분야의 발전을 검토하며, 수치적 지문과 학습된 사상 맵핑을 사용해 재료 성질을 예측하는 데이터 기반 대체 모델을 강조한다. 고속 걸러내기, 역설계, 불확실성 인식 예측 응용을 중심으로 하며, 재료 발견을 가속화하고 계산이 어려운 복잡한 성질에 대한 예측을 가능하게 하는 데 핵심 기여를 한다.

ABSTRACT

Propelled partly by the Materials Genome Initiative, and partly by the algorithmic developments and the resounding successes of data-driven efforts in other domains, informatics strategies are beginning to take shape within materials science. These approaches lead to surrogate machine learning models that enable rapid predictions based purely on past data rather than by direct experimentation or by computations/simulations in which fundamental equations are explicitly solved. Data-centric informatics methods are becoming useful to determine material properties that are hard to measure or compute using traditional methods--due to the cost, time or effort involved--but for which reliable data either already exists or can be generated for at least a subset of the critical cases. Predictions are typically interpolative, involving fingerprinting a material numerically first, and then following a mapping (established via a learning algorithm) between the fingerprint and the property of interest. Fingerprints may be of many types and scales, as dictated by the application domain and needs. Predictions may also be extrapolative--extending into new materials spaces--provided prediction uncertainties are properly taken into account. This article attempts to provide an overview of some of the recent successful data-driven "materials informatics" strategies undertaken in the last decade, and identifies some challenges the community is facing and those that should be overcome in the near future.

연구 동기 및 목표

• 지난 10년간 재료 정보학 분야에서의 기계학습 응용을 종합하고 평가하기.
• 신뢰할 수 있는 예측을 위한 데이터 품질, 일반화, 불확실성 정량화 문제를 특정하기.
• 목표 성질을 갖는 재료에 대해 기계학습을 활용한 역설계의 가능성과 한계 탐색하기.
• 연구자들이 재료 과학 문제에 기계학습을 효과적으로 적용할 때와 어떻게 적용할지를 안내하기.
• 기계학습을 전통적인 물리 기반 방법과 융합하여 강력하고 효율적인 재료 발견을 촉진하기.

제안 방법

• 재료를 고차원 공간에 표현하기 위해 수치적 지문(예: 원소, 구조, 전자적 성질)을 사용한다.
• 재료 지문과 목표 성질 간의 사상 맵핑을 학습하기 위해 지도 기반 기계학습 알고리즘을 적용한다.
• 기본 방정식을 해결하지 않고도 빠르고 내삽적인 예측을 가능하게 하기 위해 대체 모델을 적용한다.
• 특히 외삽 영역에서의 예측 신뢰도 평가를 위해 불확실성 정량화를 통합한다.
• 제약 조건이 있는 최적화 및 진화 알고리즘(예: 유전자 알고리즘)을 사용해 목표 성질을 재료 조성으로 되돌리는 역설계를 가능하게 한다.
• 신뢰할 수 있는 학습 데이터를 확보하기 위해 고속 시뮬레이션과 실험을 활용해 모델 학습 및 검증을 수행한다.

실험 결과

연구 질문

• RQ1 기계학습이 전통적인 물리 기반 모델링보다 더 효과적인 재료 문제의 유형은 무엇인가?
• RQ2 기계학습 모델을 기존 데이터 분포를 초월한 외삽 영역에서도 견고하게 만들 수 있는 방법은 무엇인가?
• RQ3 재료 과학에서 기계학습을 활용한 신뢰할 수 있는 역설계를 달성하는 데 있어 핵심 과제는 무엇인가?
• RQ4 기계학습 예측의 불확실성은 어떻게 정량화하고, 이를 실험 또는 계산적 후속 조치를 안내하는 데 어떻게 활용할 수 있는가?
• RQ5 연구자들이 재료 문제에 데이터 기반 접근법을 적용할 수 있는지 판단하기 위해 따라야 할 기준은 무엇인가?

주요 결과

• 기계학습 대체 모델은 직접 계산이나 측정 없이도 유리 전이 온도, 유전 손실, 기계적 강도와 같은 복잡한 재료 성질을 신속하게 예측할 수 있다.
• 데이터 기반 접근법은 대규모 데이터셋에서 경험적 규칙(예: 히وم-로더티 유형의 추세)과 재료 거동 간의 상관관계를 성공적으로 규명해 냈다.
• 지문화와 학습된 맵핑을 활용함으로써 고차원의 화학적 및 구성 공간을 효율적으로 탐색할 수 있다.
• 불확실성 정량화는 신뢰할 수 있는 외삽을 위해 필수적이며, 점점 더 적응형 학습을 안내하는 예측 프레임워크에 통합되고 있다.
• 역설계는 여전히 도전 과제이지만, 제약 조건이 있는 최적화 및 진화 알고리즘이 목표 성질을 갖는 후보 재료를 생성하는 데 유망한 성과를 보이고 있다.
• 기계학습 힘장은 고가의 양자역학 계산을 대체함으로써 분자 동역학 시뮬레이션을 가속화하는 강력한 도구로 부상하고 있다.