[논문 리뷰] SISSO: A Compressed-Sensing Method for Systematically Identifying Efficient Physical Models of Materials Properties

Runhai Ouyang|arXiv (Cornell University)|2017. 10. 09.

Machine Learning in Materials Science인용 수 5

한 줄 요약

SISSO는 압축 측정 기반 방법을 통해 재료 과학에서 물리적으로 해석 가능한 서술자와 예측 모델을 체계적으로 식별한다. 높은 차원의 상관관계가 있는 특징 공간을 효율적으로 선별함으로써 정확하고 해석 가능한 재료 성질 예측을 가능하게 하는 최소 최적의 특징 조합을 식별한다. 이는 압력 유도 금속-반도체 전이의 재발견 및 새로운 후보 예측에 성공하였다.

ABSTRACT

The lack of reliable methods for identifying $ extit{descriptors}$ $\unicode{x2014}$ the set of parameters capturing the underlying mechanism of a materials property $\unicode{x2014}$ is one of the factors hindering efficient materials development. Here, we propose a systematic approach for discovering physically interpretable descriptors and predictive models, within the framework of compressed-sensing based dimensional reduction. SISSO (sure independence screening and sparsifying operator) tackles immense and correlated features-spaces, and converges to the optimal solution from a combination of features relevant to the materials' property of interest. The methodology is benchmarked with the quantitative prediction of the ground-state enthalpies of octet binary materials (using $ extit{ab initio}$ data) and applied to the showcase example of predicting the metal-insulator classification (with experimental data). Accurate predictive models are found in both cases. For the metal-insulator classification model, the interpretability and predictive capability are tested beyond the training data: It perfectly rediscovers the available pressure-induced insulator$\unicode{8594}$metal transitions and it allows for the prediction of yet unknown transitions' candidates, ripe for experimental validation.

연구 동기 및 목표

• 재료 성질의 기초 메커니즘을 반영하는 신뢰할 수 있고 물리적으로 의미 있는 서술자를 식별하는 데 초점을 맞춘 핵심 과제를 해결한다.
• 재료 과학에서 흔히 발생하는 고차원적이고 상관관계가 있는 특징 공간에서 기존 서술자 선택 기법의 한계를 극복한다.
• 재료 모델링에서 예측 정확도와 물리적 해석 가능성의 균형을 이루는 체계적이고 데이터 기반의 방법을 개발한다.
• 압력 유도 상전이와 같은 새로운 현상에 대한 검증을 통해 훈련 데이터를 초월한 일반화를 가능하게 한다.

제안 방법

• 목표 성질과의 상관관계를 기반으로 초기 고차원 특징 공간을 순위 매기고 축소하기 위해 확실성 독립 스크리닝(SIS)을 적용한다.
• 가장 예측력이 높은 특징 조합을 식별하기 위해 희박화 연산자를 통합한다.
• 부족한 회귀 문제를 해결하기 위해 압축 측정 원리를 활용하여 정확하고 해석 가능한 희박한 해를 보장한다.
• 예측 성능을 극대화하면서도 복잡도를 최소화하는 특징을 선택함으로써 모델을 반복적으로 개선한다.
• 상관관계가 있는 특징이 존재하는 환경에서 과적합을 방지하기 위해 $\ell_1$-정규화 회귀(Lasso)를 활용해 희박성을 강제한다.
• 압력 유도 상전이와 같은 새로운 물리적 전이 예측을 포함한 분포 외 일반화를 통해 모델의 강인성과 해석 가능성을 검증한다.

실험 결과

연구 질문

• RQ1 체계적인 방법이 재료의 기초 상태 엔탈피를 정확하게 예측할 수 있는 물리적으로 해석 가능한 서술자를 식별할 수 있는가?
• RQ2 압력 유도 금속-반도체 전이와 같은 새로운 물리적 현상에 대해 이 방법이 얼마나 잘 일반화되는가?
• RQ3 모델의 해석 가능성은 새로운 실험적으로 타당한 전이 후보를 발견하는 데 얼마나 기여하는가?
• RQ4 압축 측정 기법이 재료 특징 공간에 내재된 고차원성과 상관관계를 효과적으로 다룰 수 있는가?
• RQ5 정확도와 해석 가능성 측면에서 이 방법이 히우리스틱 또는 브루트 포스 기반 서술자 선택보다 뛰어나다고 할 수 있는가?

주요 결과

• SISSO는 아비니오 데이터를 기반으로 삼각형 이원재료의 기초 상태 엔탈피를 정확하게 예측할 수 있는 최소한의 해석 가능한 서술자를 성공적으로 식별하였다.
• 금속-반도체 분류를 위한 모델은 테스트 세트에서 알려진 압력 유도 절연체-금속 전이를 완벽하게 재현하였다.
• 훈련 데이터를 초월하여 압력 유도 금속-반도체 전이에 대한 새로운, 이전에 알려지지 않은 후보를 예측하였다.
• 예측 모델은 분포 외 사례에서도 높은 정확도를 유지하며 강력한 일반화 성능을 보였다.
• 식별된 서술자들은 물리적으로 해석 가능했으며, 재료 거동의 알려진 전자적 및 구조적 원리를 반영하고 있었다.
• 이 방법은 큰 상관관계가 있는 특징 공간을 효율적으로 탐색하여 과적합 없이 최적의 희박한 해에 수렴하였다.