[논문 리뷰] Mastering processing-microstructure complexity through the prediction of thin film structure zone diagrams by generative machine learning models

Lars Banko, Yury Lysogorskiy외 4명|arXiv (Cornell University)|2019. 10. 21.

Machine Learning in Materials Science참고 문헌 76인용 수 5

한 줄 요약

이 논문은 변분 오토인코더와 조건부 생성 적대 신경망을 조합한 생성적 기계학습 프레임워크를 제안하여 박막 구조 영역도를 예측함으로써 복잡한 가공-미세구조-성질 관계를 효율적으로 탐색할 수 있도록 한다. 이 방법은 높은 정밀도로 다중 매개변수의 미세구조 결과를 예측하여 재료 설계에서 실험 비용을 크게 감소시킨다.

ABSTRACT

Thin films are ubiquitous in modern technology and highly useful in materials discovery and design. For achieving optimal extrinsic properties their microstructure needs to be controlled in a multi-parameter space, which usually requires a too-high number of experiments to map. We propose to master thin film processing microstructure complexity and to reduce the cost of microstructure design by joining combinatorial experimentation with generative deep learning models to extract synthesis-composition-microstructure relations. A generative machine learning approach comprising a variational autoencoder and a conditional generative adversarial network predicts structure zone diagrams. We demonstrate that generative models provide a so far unseen level of quality of generated structure zone diagrams comprising chemical and processing complexity for the optimization of chemical composition and processing parameters to achieve a desired microstructure.

연구 동기 및 목표

• 다중 매개변수 가공 조건에서 박막 미세구조로의 맵핑에 따른 높은 실험 비용을 해결하기 위해.
• 화학적 및 가공 변수 전역에서 원하는 미세구조를 갖는 재료를 합성하는 데서 발생하는 복잡성을 극복하기 위해.
• 제한된 실험 데이터에서 구조 영역도를 예측할 수 있는 데이터 효율적인 기계학습 프레임워크를 개발하기 위해.
• 합성-조성-미세구조 관계를 학습함으로써 박막 미세구조의 타겟 설계를 가능하게 하기 위해.

제안 방법

• 실험 데이터를 기반으로 변분 오토인코더(VAE)를 훈련시어 박막 가공 조건과 미세구조의 저차원 잠재 표현을 학습한다.
• 목표 미세구조 클래스에 조건부로 설정된 조건부 생성 적대 신경망(cGAN)이 새로운, 타당한 가공-미세구조 조합을 생성한다.
• VAE와 cGAN을 함께 최적화하여 생성된 구조 영역도의 품질과 다양성을 향상시킨다.
• 프레임워크는 조합적 실험 데이터를 통합하여 실제 세계의 가공-미세구조 맵핑에 기반한 모델을 훈련시킨다.
• 잠재 공간 내부 보간을 통해 훈련 데이터에 존재하지 않는 새로운 가공 경로를 탐색할 수 있다.
• 모델은 조성과 증착 매개변수를 기반으로 미세구조 상을 예측하는 구조 영역도를 출력한다.

실험 결과

연구 질문

• RQ1 생성적 기계학습 모델은 복잡한 화학적 및 가공 매개변수 공간에서 박막에 대한 구조 영역도를 정확하게 예측할 수 있는가?
• RQ2 하이브리드 VAE-cGAN 모델은 제한된 실험 데이터에서 현실적이고 다양한 미세구조 결과를 얼마나 잘 생성할 수 있는가?
• RQ3 이 모델은 박막 합성에서 미세구조 최적화를 위해 필요한 실험 수를 얼마나 줄일 수 있는가?
• RQ4 학습된 잠재 공간은 재료 설계를 위한 의미 있는 보간 및 외삽을 가능하게 하는가?

주요 결과

• 생성 모델은 높은 정밀도로 구조 영역도를 성공적으로 예측하여 가공 매개변수, 조성, 미세구조 간의 복잡한 상관관계를 포착한다.
• 모델은 제한된 훈련 데이터 조건에서도 다양한 물리적으로 타당한 미세구조 결과를 생성하여 데이터 효율성을 입증한다.
• 잠재 공간 보간은 미세구조 상 사이의 연속적인 전이를 드러내어 훈련 데이터 외의 가공 윈도우를 이성적으로 탐색할 수 있게 한다.
• 모델는 시행착오를 극복하는 데서 비롯되는 실험적 부담을 줄여주어 미세구조 설계에 유리하다.
• 예측된 구조 영역도는 실험 관측 결과와 강한 일치를 보이며, 모델의 예측 능력을 검증한다.
• VAE와 cGAN의 통합은 분리된 표현 학습과 조건부 생성을 모두 가능하게 하여 기준 모델 대비 더 높은 구조도 품질을 달성한다.