[논문 리뷰] Potentials and challenges of polymer informatics: exploiting machine learning for polymer design

Stephen Wu, H. Yamada외 3명|arXiv (Cornell University)|2020. 10. 15.

Machine Learning in Materials ScienceMaterials Science참고 문헌 63인용 수 19

한 줄 요약

이 논문은 기계학습을 활용한 데이터 기반 접근 방식인 폴리머 인포매틱스의 잠재력과 도전 과제를 검토한다. 기계학습을 통한 功能성 폴리머 설계의 가속화를 위해 네 가지 핵심 요소—폴리머 데이터베이스, 구조적 서술자, 예측 성능 모델, 실험 설계 전략—을 제시하며, 제한된 데이터에서 탐색과 이용의 균형을 이루기 위해 베이지안 최적화와 강화학습이 핵심 방법으로 작용함을 강조한다.

ABSTRACT

There has been rapidly growing demand of polymeric materials coming from different aspects of modern life because of the highly diverse physical and chemical properties of polymers. Polymer informatics is an interdisciplinary research field of polymer science, computer science, information science and machine learning that serves as a platform to exploit existing polymer data for efficient design of functional polymers. Despite many potential benefits of employing a data-driven approach to polymer design, there has been notable challenges of the development of polymer informatics attributed to the complex hierarchical structures of polymers, such as the lack of open databases and unified structural representation. In this study, we review and discuss the applications of machine learning on different aspects of the polymer design process through four perspectives: polymer databases, representation (descriptor) of polymers, predictive models for polymer properties, and polymer design strategy. We hope that this paper can serve as an entry point for researchers interested in the field of polymer informatics.

연구 동기 및 목표

• 폴리머의 복잡한 계층적 구조로 인해 발생하는 폴리머 인포매틱스 발전을 저해하는 주요 과제를 규명하고 해결책을 제시하기 위해.
• 네 가지 핵심 분야—데이터베이스, 구조적 표현, 성능 예측, 설계 전략—에서의 기계학습 응용 현황을 검토하기 위해.
• 대규모 데이터 기반 폴리머 발견을 가능하게 하기 위해 개방형 데이터 공유와 협업 기반 인프라를 조성할 것을 주장하기 위해.
• 베이지안 최적화와 강화학습과 같은 실험 설계 알고리즘을 통해 고비용 실험 수를 줄일 수 있음을 보여주기 위해.

제안 방법

• 폴리머 인포매틱스 분야의 기존 문헌을 체계적으로 검토하여 네 핵심 구성 요소—폴리머 데이터베이스, 분자 서술자, 예측 기계학습 모델, 실험 설계 프레임워크—에 중점을 두었다.
• 기계학습 입력을 위해 폴리머의 구조적 위상, 조성, 체인 구조를 인코딩하는 다양한 분자 표현 기법(서술자)을 평가하였다.
• 예측 불확실성 또는 높은 예측 유용성을 가진 후보를 선택하기 위해 탐색과 이용의 균형을 이루기 위해 베이지안 최적화를 적용하였다.
• 강화학습을 활용해 폴리머 설계를 순차적 의사결정 문제로 재정의하였으며, 보상 기반 피드백을 통해 에이전트가 최적의 합성 또는 가공 조건을 학습하도록 하였다.
• 섬유 형태, 분자량 분포, 계면 성질, 유리 전이 온도 제어 등에서 기계학습이 실험 사이클을 줄인 사례 연구를 분석하였다.
• 비용이 많이 드는 시행착오 합성에 의존도를 줄이기 위해 계산 시뮬레이션과 실험 데이터의 통합을 강조하였다.

실험 결과

연구 질문

• RQ1 기계학습은 데이터 기반 설계에서 폴리머의 계층적이고 복잡한 구조적 특성으로 인해 발생하는 과제를 어떻게 극복할 수 있는가?
• RQ2 기계학습 모델에서 폴리머 구조를 표현하는 데 가장 효과적인 분자 서술자는 무엇인가?
• RQ3 기존 데이터 기반 예측 모델이 목표 성능을 갖춘 폴리머의 발견을 얼마나 가속화할 수 있는가?
• RQ4 베이지안 최적화와 강화학습과 같은 실험 설계 전략은 폴리머 개발에서 필요한 실험 수를 얼마나 줄일 수 있는가?
• RQ5 개방형 표준 데이터베이스는 폴리머 인포매틱스 발전과 대규모 기계학습 응용을 위한 핵심 역할을 하는가?

주요 결과

• 폴리머 인포매틱스는 실험적 시도와 오류에 의존도를 크게 줄이며 데이터 기반 설계 패러다임 전환을 가능하게 한다.
• 진전이 있었음에도 불구하고, 이름의 일관성 부족, 개방형 데이터베이스 부족, 계층적 폴리머 구조를 기계로 읽을 수 있는 서술자로 인코딩하는 데 어려움으로 인해 주요 과제가 여전히 존재한다.
• 베이지안 최적화와 강화학습은 폴리머 설계에서 실험 사이클을 성공적으로 줄였으며, 섬유 형태 조절, 분자량 분포 제어, 유리 전이 온도 제어 등에 적용된 사례가 있다.
• 계산 시뮬레이션과 기계학습의 통합은 더 빠른 성능 예측을 가능하게 하지만, 신규 폴리머 시스템에 대한 파rameter 조정은 여전히 한계로 남아 있다.
• 기계학습의 확장 가능성을 높이기 위해 개방형 데이터 공유와 표준화된 데이터베이스가 필수적이지만, 산업 소유권 문제와 오래된 일관성 부족으로 인해 아직 개발이 부족한 상태이다.
• 폴리머 인포매틱스의 진정한 잠재력은 폴리머 과학자들이 저수준 최적화에서 해방되어 고수준 설계 혁신과 이론적 발전에 집중할 수 있도록 해주는 데 있다.