[논문 리뷰] Machine Learning Design of Perovskite Catalytic Properties

Ryan Jacobs, Jian Liu외 2명|arXiv (Cornell University)|2023. 11. 02.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 간단한 원소적 특징을 사용하여 산소 표면 교환, 산화물 확산도, 면적 특이 저항(ASR)과 같은 핵심 퍼보스카이트 촉매 특성을 예측하는 기계학습 프레임워크를 제시한다. 이는 아비니오 기반 모델보다 높은 정확도와 빠른 속도를 달성한다. 모델은 보정된 불확실성과 함께 온도 의존적인 ASR 예측이 가능하며, K, Bi, Y, Ni, Cu와 같이 연구가 덜 진행된 원소를 포함한 1,900만 개 이상의 유망한 지구 풍부한 퍼보스카이트를 식별한다.

ABSTRACT

Discovering new materials that efficiently catalyze the oxygen reduction and evolution reactions is critical for facilitating the widespread adoption of solid oxide fuel cell and electrolyzer (SOFC/SOEC) technologies. Here, we develop machine learning (ML) models to predict perovskite catalytic properties critical for SOFC/SOEC applications, including oxygen surface exchange, oxygen diffusivity, and area specific resistance (ASR). The models are based on trivial-to-calculate elemental features and are more accurate and dramatically faster than the best models based on ab initio-derived features, potentially eliminating the need for ab initio calculations in descriptor-based screening. Our model of ASR enables temperature-dependent predictions, has well calibrated uncertainty estimates and online accessibility. Use of temporal cross-validation reveals our model to be effective at discovering new promising materials prior to their initial discovery, demonstrating our model can make meaningful predictions. Using the SHapley Additive ExPlanations (SHAP) approach, we provide detailed discussion of different approaches of model featurization for ML property prediction. Finally, we use our model to screen more than 19 million perovskites to develop a list of promising cheap, earth-abundant, stable, and high performing materials, and find some top materials contain mixtures of less-explored elements (e.g., K, Bi, Y, Ni, Cu) worth exploring in more detail.

연구 동기 및 목표

• 고체 산화물 연료전지 및 전기분해기(SOFC/SOEC)를 위한 효율적인 퍼보스카이트 촉매의 발견을 가속화하기 위해.
• 비용이 많이 드는 아비니오 계산을 피하기 위해 원소적 특징만을 사용하는 기계학습 모델을 개발하여 촉매 특성을 예측하기 위해.
• 보정된 불확실성 추정과 함께 온도 의존적인 ASR 예측을 가능하게 하기 위해.
• 대규모 스크리닝을 통해 유망하고 안정적이며 지구 풍부한 퍼보스카이트를 식별하기 위해.
• 모델의 특징화 전략을 이해하기 위해 SHAP 분석을 활용한 기여도 해석 가능성을 제공하기 위해.

제안 방법

• 저자는 산소 표면 교환, 산소 확산도, 면적 특이 저항(ASR)과 같은 목표 특성을 갖춘 퍼보스카이트 재료 데이터셋을 기반으로 지도 기반 기계학습 모델을 훈련시켰다.
• 특징은 원소의 성질(예: 원자번호, 전기음성도, 이온화 에너지 등)에 기반하여 계산이 매우 간단하다.
• 모델은 기울기 부스팅된 결정 트리 기반으로 훈련되었으며, 미래의 재료 발견을 시뮬레이션하기 위해 시간 순서 기반 교차 검증을 통해 검증되었다.
• ASR에 대한 별도의 모델은 온도 의존성을 포함하고 있으며, 베이지안 최적화를 통해 불확실성 추정을 제공한다.
• SHapley Additive ExPlanations(SHAP)를 사용하여 특징 기여도를 해석하고 다양한 특징화 전략을 비교하였다.
• 훈련된 모델을 사용하여 1,900만 개 이상의 퍼보스카이트에 대한 고속도 스크리닝을 수행하여 최상위 후보를 식별하였다.

실험 결과

연구 질문

• RQ1 원소적 특징에 기반한 기계학습 모델이 퍼보스카이트 촉매 특성을 예측하는 데 있어 아비니오 기반 기술자들보다 뛰어난 성능을 보일 수 있는가?
• RQ2 모델은 보정된 불확실성 추정과 함께 신뢰할 수 있는 온도 의존적 ASR 예측을 수행할 수 있는가?
• RQ3 시간 순서 기반 교차 검증은 모델이 미래의 재료 발견을 위한 예측 능력을 입증하는가?
• RQ4 촉매 성능 예측에 있어 가장 유용한 원소적 특징과 특징화 전략은 무엇인가?
• RQ5 SOFC/SOEC 적용을 위한 가장 유망하고 안정적이며 지구 풍부한 퍼보스카이트 후보는 무엇인가?

주요 결과

• 원소적 특징을 사용한 기계학습 모델은 아비니오 기반 특징 기반 모델보다 높은 정확도를 달성하고, 훨씬 더 빠른 추론 속도를 보였다.
• ASR 예측 모델은 보정된 불확실성 추정과 함께 신뢰할 수 있는 온도 의존적 출력 결과를 제공하였다.
• 시간 순서 기반 교차 검증은 모델이 실험적 발견 이전에 유망한 재료를 식별할 수 있는 능력을 확인하였다.
• 1,900만 개 이상의 퍼보스카이트가 스크리닝되었으며, 높은 성능, 안정성, 지구 풍부성을 갖춘 후보 목록이 도출되었다.
• 최고 성능을 보인 재료는 K, Bi, Y, Ni, Cu와 같이 연구가 덜 진행된 원소의 조합을 포함하고 있어, 향후 실험적 탐색을 위한 새로운 방향을 제시한다.