[논문 리뷰] Machine learning spectral indicators of topology

Nina Andrejevic, Jovana Andrejevic외 8명|arXiv (Cornell University)|2020. 03. 02.

Topological Materials and Phenomena참고 문헌 43인용 수 9

한 줄 요약

이 논문은 X선 흡수 near-edge 구조(spectra, XANES)에서 직접적으로 위상적 재료의 분류를 예측하는 기계학습 프레임워크를 제안한다. 위상적 클래스에 대해 89%의 F1 스코어를, 비위상적 클래스에 대해 93%의 F1 스코어를 달성하였다. 10,000개 이상의 무기물에 대한 계산된 XANES 스펙트럼으로 신경망을 훈련시킴으로써, 비결정성 및 균열되지 않은 재료를 포함한 위상적 상의 고속 스크리닝이 가능해졌으며, 실험적 스펙트럼과 계산된 스펙트럼 간에 강한 일치가 확인되었다.

ABSTRACT

Topological materials discovery has emerged as an important frontier in condensed matter physics. While theoretical classification frameworks have been used to identify thousands of candidate topological materials, experimental determination of materials' topology often poses significant technical challenges. X-ray absorption spectroscopy (XAS) is a widely-used materials characterization technique sensitive to atoms' local symmetry and chemical bonding, which are intimately linked to band topology by the theory of topological quantum chemistry (TQC). Moreover, as a local structural probe, XAS is known to have high quantitative agreement between experiment and calculation, suggesting that insights from computational spectra can effectively inform experiments. In this work, we leverage computed X-ray absorption near-edge structure (XANES) spectra of more than 10,000 inorganic materials to train a neural network (NN) classifier that predicts topological class directly from XANES signatures, achieving F$_1$ scores of 89% and 93% for topological and trivial classes, respectively. Additionally, we obtain consistent classifications using corresponding experimental and computational XANES spectra for a small number of measured compounds. Given the simplicity of the XAS setup and its compatibility with multimodal sample environments, the proposed machine learning-augmented XAS topological indicator has the potential to discover broader categories of topological materials, such as non-cleavable compounds and amorphous materials, and may further inform field-driven phenomena in situ, such as magnetic field-driven topological phase transitions.

연구 동기 및 목표

• 이론적으로 예측된 8,000개 이상의 후보자 중에서 실험적으로 위상적 재료를 식별하는 데 어려움이 존재하나, 이를 해결하고자 한다.
• 표면에 민감하거나 ARPES나 양자 운반도 측정과 같은 복잡한 기법의 한계를 우회하는 데이터 기반 방법을 개발하고자 한다.
• 다양한 샘플 환경에 적합한 X선 흡수 분광법(XAS)을 활용해 위상적 재료의 고속 스크리닝을 가능하게 하며, 부피 기반 탐측을 실현하고자 한다.
• XANES 스펙트럼을 기반으로 신경망 분류기를 훈련시켜 계산 예측과 실험적 검증 간 격차를 메우고자 한다.

제안 방법

• Materials Project 데이터베이스에서 확보한 10,000개 이상의 무기물에 대한 계산된 XANES 스펙트럼을 기반으로 딥 신경망 분류기를 훈련시켰다.
• 모델 아키텍처는 256개와 64개의 뉴런을 가진 두 개의 밀집층, ReLU 활성화 함수, 드롭아웃(0.5), 이진 분류를 위한 최종 시그모이드 활성화 출력층을 포함한다.
• 스펙트럼은 선형 배경을 빼고 아크탄젠트 함수로 피팅한 후, 단위 강도로 스케일링하고 평균 계산 스펙트럼과 일치시키기 위해 에너지 이동을 수행하여 사전 처리하였다.
• 실험적 XANES 스펙트럼도 동일하게 사전 처리되었으며, 계산 데이터셋의 평균과 표준편차를 사용해 보간하여 일관성을 확보하였다.
• 모델 최적화는 Quadro RTX 6000 GPU에서 Adam 옵timizer를 사용하고 이진 교차 엔트로피 손실 함수를 적용하였다.
• 검증은 계산된 스펙트럼과 소량의 실험 측정 복합체를 사용하여 수행되었으며, 일관된 분류 결과를 보였다.

실험 결과

연구 질문

• RQ1 무기물의 전자 밴드 위상성에 대한 신뢰할 수 있는 스펙트럼 지표로 XANES 스펙트럼을 사용할 수 있는가?
• RQ2 계산된 XANES 스펙트럼으로 훈련된 기계학습 모델이 재료를 위상적 또는 비위상적으로 정확하게 분류할 수 있는가?
• RQ3 실험적 XANES 스펙트럼이 사전 처리되고 계산된 스펙트럼과 비교될 때, 어느 정도 일관된 위상 분류 결과를 도출할 수 있는가?
• RQ4 이 ML 보강 XAS 접근법을 통해 전통적인 표면에 민감한 기법을 초월해 위상적 재료의 고속 스크리닝이 가능할 수 있는가?
• RQ5 XAS의 부피 감도와 실험적 내구성 덕분에, 균열되지 않은 또는 비정질 재료의 위상성을 이 방법이 탐지할 수 있는가?

주요 결과

• 신경망 분류기는 계산된 XANES 스펙트럼에서 위상적 클래스에 대해 89%의 F1 스코어, 비위상적 클래스에 대해 93%의 F1 스코어를 달성하였다.
• 모델은 실험 측정된 XANES 스펙트럼에 적용되었을 때도 일관된 분류 성능를 보였으며, 계산된 데이터와 실제 세계 데이터 간의 일치를 확인하였다.
• 아크탄젠트 피팅 및 에너지 정렬을 포함한 사전 처리 단계는 실험적 및 계산된 스펙트럼 간의 일관된 스케일링과 비교를 보장하였다.
• 이 방법은 다양한 샘플 환경, 심지어 극한 조건에서도 호환 가능한 XAS를 활용해 위상적 재료의 고속 스크리닝을 가능하게 하였다.
• XAS의 다중 환경 호환성 덕분에, 전기장 유도 위상 전이의 실시간 연구 가능성도 보여주었다.
• 이 프레임워크는 비결정성 및 비정질 화합물을 포함한 더 넓은 범위의 위상적 재료를 발견할 수 있는 실용적이고 실험적으로 접근 가능한 길을 제공한다.