[논문 리뷰] Robust data-driven approach for predicting the configurational energy of high entropy alloys

Jiaxin Zhang, Xianglin Liu외 4명|arXiv (Cornell University)|2019. 08. 10.

High Entropy Alloys Studies참고 문헌 51인용 수 9

한 줄 요약

이 논문은 고엔트로피합금(HEAs)의 구성에너지 예측을 위한 강건한 베이지안 데이터 기반 프레임워크를 제안한다. 효과적 쌍상호작용(EPI)과 앙상블 샘플링을 사용하며, 베이지안 정규화 회귀와 베이지안 정보기준(BIC)-기반 기능 선택을 조합함으로써 제한된 처음 원리 데이터로도 정확하고 불확실성 정량화가 가능한 예측을 가능하게 한다. 이는 NbMoTaW, NbMoTaWV, 그리고 NbMoTaWTi HEAs에서 1 meV 이하의 에너지 오차를 달성하고 안정적인 매개변수 추정을 실현한다.

ABSTRACT

High entropy alloys (HEAs) have been increasingly attractive as promising next-generation materials due to their various excellent properties. It's necessary to essentially characterize the degree of chemical ordering and identify order-disorder transitions through efficient simulation and modeling of thermodynamics. In this study, a robust data-driven framework based on Bayesian approaches is proposed and demonstrated on the accurate and efficient prediction of configurational energy of high entropy alloys. The proposed effective pair interaction (EPI) model with ensemble sampling is used to map the configuration and its corresponding energy. Given limited data calculated by first-principles calculations, Bayesian regularized regression not only offers an accurate and stable prediction but also effectively quantifies the uncertainties associated with EPI parameters. Compared with the arbitrary determination of model complexity, we further conduct a physical feature selection to identify the truncation of coordination shells in EPI model using Bayesian information criterion. The results achieve efficient and robust performance in predicting the configurational energy, particularly given small data. The developed methodology is applied to study a series of refractory HEAs, i.e. NbMoTaW, NbMoTaWV and NbMoTaWTi where it is demonstrated how dataset size affects the confidence we can place in statistical estimates of configurational energy when data are sparse.

연구 동기 및 목표

• 제한된 처음 원리 데이터를 가진 고엔트로피합금(HEAs)의 구성에너지 예측을 위한 강건하고 데이터 기반의 접근법을 개발한다.
• 다성분 체계에서 모델 복잡성과 과적합 문제를 해결하기 위해 통계 기준에 기반한 물리적 기능 선택을 가능하게 한다.
• 몽테카를로 시뮬레이션을 통한 순서-무질서 전이 분석에 활용 가능한 서rogate 하미르토니안의 신뢰성과 정확도를 향상시킨다.
• 효과적 쌍상호작용(EPI) 매개변수의 불확실성을 정량화하고 데이터셋 크기에 따른 민감도를 평가한다.
• 다성분 HEAs의 복잡한 구성 에너지 공간을 효과적으로 대표하는 데 앙상블 샘플링 전략의 효과를 입증한다.

제안 방법

• 선택된 수준의 배치 껍질까지의 원자 간 쌍상호작용을 기반으로 구성에너지 표현을 위한 효과적 쌍상호작용(EPI) 모델을 사용한다.
• 베이지안 정규화 회귀를 통해 처음 원리 DFT 계산 에너지에 EPI 매개변수를 피팅함으로써 불확실성 정량화 및 상관관계 추정을 가능하게 한다.
• 베이지안 정보기준(BIC)을 적용하여 최적의 배치 껍질 절단을 식별함으로써 물리적 기능 선택을 수행한다.
• 다양한 근접 및 장거리 질서를 가진 여러 초세포를 조합한 앙상블 샘플링 전략을 구현하여 데이터의 대표성 향상을 도모한다.
• 다양한 훈련 데이터셋 크기에서 교차검증을 수행하여 모델의 강건성과 일반화 성능을 평가한다.
• EPI 매개변수의 분산-공분산 행렬을 분석하여 배치 껍질 간 상호의존성과 안정성을 평가한다.

실험 결과

연구 질문

• RQ1 제한된 처음 원리 데이터로 고엔트로피합금의 구성에너지 예측을 어떻게 정확하게 수행할 수 있는가?
• RQ2 다양한 데이터셋 크기에 따라 EPI 모델에 포함시킬 최적의 배치 껍질 수는 얼마인가?
• RQ3 BIC를 통한 베이지안 기능 선택은 임의의 모델 절단보다 모델 강건성을 어떻게 향상시키는가?
• RQ4 데이터셋 크기가 EPI 매개변수 추정의 불확실성과 안정성에 어느 정도 영향을 미치는가?
• RQ5 앙상블 샘플링 전략은 다성분 HEAs의 복잡한 구성 에너지 공간을 효과적으로 대표할 수 있는가?

주요 결과

• 제안된 베이지안 프레임워크는 모든 세 가지 HEAs(NbMoTaW, NbMoTaWV, NbMoTaWTi)에서 원자당 평균 제곱근 오차(RMSE)가 1 meV 미만으로 나타나 매우 정확한 예측을 실현한다.
• BIC 기반 기능 선택을 통해 작은 데이터셋(nt < 100)의 경우 최적의 배치 껍질 수는 m=2–3, 중간 크기 데이터셋(100 ≤ nt ≤ 400)은 m=5–6, 큰 데이터셋(nt > 400)은 m=6–9로 확인되었으며, 이는 과적합과 과소적합을 감소시킨다.
• 데이터셋 크기가 nt=100에서 nt=400으로 증가함에 따라, 특히 근접 이웃 껍질의 EPI 매개변수 불확실성이 크게 감소하여 매개변수 안정성이 향상됨을 확인하였다.
• 분산-공분산 행렬 분석에서, 독립성을 가정했음에도 불구하고 근접 이웃 껍질 내에서 비트리비얼한 상관관계가 존재함을 확인하였으며, 이는 상관관계 인식 모델링의 중요성을 시사한다.
• 앙상블 샘플링 전략은 단일 초세포 샘플링 대비 RMSE의 표준편차가 낮은(ε < 1 meV) 결과를 도출하여 데이터의 대표성 향상이 효과적으로 이루어졌음을 입증하였다.
• NbMoTaWV의 경우, BIC에 의해 식별된 m=9 껍질 모델이 임의의 m=7 선택보다 우수한 성능을 보였으며, 이는 BIC 지도 선택이 복잡한 체계에서도 과소적합을 방지함을 보여준다.