[논문 리뷰] Revealing the Compositional Control of Electrical, Mechanical, Optical, and Physical Properties of Inorganic Glasses

Ravinder Bhattoo, Suresh Bishnoi외 2명|arXiv (Cornell University)|2021. 03. 22.

Glass properties and applications참고 문헌 37인용 수 8

한 줄 요약

이 연구는 무기 유리의 조성-성질 관계를 해석 가능한 기계학습 모델로 복원하여 네트워크 형성체, 수정제, 중간체가 전기적, 기계적, 광학적 및 물리적 성질을 어떻게 지배하는지 규명한다. 샤플리 추가 설명(Shapley additive explanations)을 통해 구성 성분의 역할과 상호의존성을 규명함으로써 합리적인 유리 설계를 위한 '유리 게놈'으로의 길을 전진시킨다.

ABSTRACT

Inorganic glasses, produced by the melt-quenching of a concoction of minerals, compounds, and elements, can possess unique optical and elastic properties along with excellent chemical, and thermal durability. Despite the ubiquitous use of glasses for critical applications such as touchscreen panels, windshields, bioactive implants, optical fibers and sensors, kitchen and laboratory glassware, thermal insulators, nuclear waste immobilization, optical lenses, and solid electrolytes, their composition-structure-property relationships remain poorly understood. Here, exploiting largescale experimental data on inorganic glasses and explainable machine learning algorithms, we develop composition-property models for twenty-five properties, which are in agreement with experimental observations. These models are further interpreted using a game-theoretic concept namely, Shapley additive explanations, to understand the role of glass components in controlling the final property. The analysis reveals that the components present in the glass, such as network formers, modifiers, and the intermediates, play distinct roles in governing each of the optical, physical, electrical, and mechanical properties of glasses. Additionally, these components exhibit interdependence, the magnitude of which is different for different properties. While the physical origins of some of these interdependencies could be attributed to known phenomena such as "boron anomaly", "mixed modifier effect", and the "Loewenstein rule", the majority of the remaining ones requires further experimental and computational analysis of the glass structure. Thus, our work paves the way for decoding the "glass genome", which can provide the recipe for discovery of novel glasses, while also shedding light into the fundamental factors governing the composition-structure-property relationships.

연구 동기 및 목표

• 무기 유리의 조성과 다양한 물리적, 기계적, 전기적, 광학적 성질 간의 예측 모델을 수립하기 위해.
• 네트워크 형성체, 수정제, 중간체가 유리 성질을 결정하는 데 기여하는 고유한 역할을 이해하기 위해.
• 유리 성분 간의 상호의존성을 성질 결과에 미치는 영향을 정량화하기 위해.
• 관측된 성질 추세의 근본적인 구조적 기원, 예를 들어 '붕소 이상현상'(boron anomaly)과 '혼합 수정제 효과'(mixed modifier effect)와 같은 알려진 현상들을 규명하기 위해.
• 합리적인 설계가 가능한 체계적인 '유리 게놈' 접근법의 기초를 마련하기 위해.

제안 방법

• 25개 성질에 걸쳐 무기 유리에 대한 대규모 실험 데이터를 활용하였다.
• 조성-성질 예측 모델을 구축하기 위해 해석 가능한 기계학습 알고리즘을 적용하였다.
• 모델 출력을 해석하고 구성 성분 기여도를 정량화하기 위해 샤플리 추가 설명(Shapley additive explanations, SHAP)을 사용하였다.
• 다양한 성질에서 특징 상호작용 효과를 분석함으로써 구성 성분 간 상호의존성을 분석하였다.
• 모델 예측 결과를 기존 실험 관측치와 알려진 구조-성질 관계와 비교하여 검증하였다.
• 게임 이론적 해석을 활용하여 개별 산화물의 영향과 그 상호작용 효과를 분리 분석하였다.

실험 결과

연구 질문

• RQ1 네트워크 형성체, 수정제, 중간체가 무기 유리의 전기적, 기계적, 광학적 및 물리적 성질에 어떻게 다르게 기여하는가?
• RQ2 유리 성분 간의 상호의존성의 크기와 성격은 특정 성질을 결정하는 데 어떻게 영향을 미치는가?
• RQ3 관측된 성분 간 상호의존성을 설명할 수 있는 알려진 현상들(예: '붕소 이상현상', '로엔슈타인 규칙')은 무엇인가?
• RQ4 해석 가능한 인공지능 모델이 무기 유리의 조성-성질 관계를 얼마나 정확하게 예측하고 해석할 수 있는가?
• RQ5 현재 이론적 프레임워크로는 설명되지 않는 잔여 상호의존성의 배경이 되는 구조적 요인은 무엇인가?

주요 결과

• 이 연구는 해석 가능한 기계학습을 활용하여 무기 유리의 25개 다각도 성질에 대해 정확한 조성-성질 모델을 성공적으로 개발하였다.
• 샤플리 값 분석을 통해 네트워크 형성체, 수정제, 중간체가 각 성질 유형을 지배하는 데 있어 고유하고 균일하지 않은 역할을 한다는 것이 밝혀졌다.
• 성질에 따라 구성 성분 간 상호의존성이 크게 달라지며, 일부 상호의존성은 '혼합 수정제 효과'와 같은 알려진 현상과 일치하는 것으로 나타났다.
• 일부 상호의존성은 '붕소 이상현상'과 '로엔슈타인 규칙'과 같은 기존 개념과 연관지어질 수 있었으며, 이는 모델의 해석 가능성에 대한 타당성을 입증하였다.
• 다수의 관측된 상호의존성은 현재 이론적 틀로는 설명되지 않아, 더 깊은 구조 분석의 필요성을 드러냈다.
• 이 연구는 무기 유리의 성질 분포를 지배하는 조성 규칙을 해독함으로써 '유리 게놈'의 기초를 마련하였다.