[논문 리뷰] Structural Characterization of Grain Boundaries and Machine Learning of Grain Boundary Energy and Mobility

Conrad W. Rosenbrock, Jonathan L. Priedeman외 2명|arXiv (Cornell University)|2018. 08. 15.

Metallurgy and Material Forming참고 문헌 13인용 수 4

한 줄 요약

이 논문은 부드러운 원자 위치의 겹침(Smooth Overlap of Atomic Positions, SOAP) 형식에서 유도된 두 가지 새로운 원자 구조 기술자인 평균 SOAP 표현(ASR)과 국소 환경 표현(LER)을 사용하여 결정계면(GB) 에너지, 이동도, 전단 결합을 예측하기 위한 기계학습 프레임워크를 제안한다. LER는 고유한 국소 원자 환경의 비율을 코딩하며, GB 이동도 분류에서 85.5%의 정확도와 전단 결합 예측에서 64%의 정확도를 달성하여, 국소 원자 구조만으로도 높은 정밀도로 핵심 GB 성질을 예측할 수 있음을 보여준다.

ABSTRACT

Recent advances in the numerical representation of materials opened the way for successful machine learning of grain boundary (GB) energies and the classification of GB mobility and shear coupling. Two representations were needed for these machine learning applications: 1) the ASR representation, based on averaged local environment descriptors; and 2) the LER descriptor, based on fractions of globally unique local environments within the entire GB system. We present a detailed tutorial on how to construct these two representations to learn energy, mobility and shear coupling. Additionally, we catalog some of the null results encountered along the way.

연구 동기 및 목표

• 기계학습 응용을 위한 물리적 불변성, 미분 가능성, 그리고 부드러운 결정계면 원자 구조 표현을 개발하기 위해.
• 국소 원자 환경 기술자를 사용하여 결정계면 에너지, 이동도, 전단 결합을 정확하게 예측할 수 있도록 하기 위해.
• 결정계면의 고차원 구성 공간 문제를 해결하기 위해 통용되는 구조적 빌딩 블록을 식별하기 위해.
• 실제 GB 데이터에 대해 ASR 및 LER 기술자를 사용하여 다양한 기계학습 모델의 성능을 평가하기 위해.
• 희귀한 이동도 클래스인 '일정' 이동도와 같은 데이터 희소성 문제를 해결하기 위해.

제안 방법

• 가우스 가중 이웃 밀도와 구면 조화 전개를 사용하여 각 국소 원자 환경(LAE)에 대해 SOAP 기술자를 구성한다.
• Wigner D 행렬과 SO(3)에 대한 통합을 통해 회전 및 순열 불변성을 적용하여 회전 불변 커널을 도출한다.
• GB 시스템 내 모든 원자에 걸쳐 SOAP 기술자를 평균화하여 평균 SOAP 표현(ASR)을 구성한다.
• GB 내에서 전역적으로 고유한 LAE를 식별하고 그들의 분수 기여도를 계산하여 국소 환경 표현(LER)을 구성한다.
• ASR를 사용한 서포트 벡터 회귀(SVR)를 통해 결정계면 에너지 예측을 수행한다.
• LER 기술자를 사용하여 GB 이동도와 전단 결합을 분류하기 위해 XGBoost와 ℓ₁ 정규화를 적용한 선형 서포트 벡터 머신(SVM)을 적용한다.

실험 결과

연구 질문

• RQ1 부드럽고, 미분 가능하며, 물리적으로 불변하는 기술자가 기계학습을 위한 결정계면 원자 구조를 정확하게 표현할 수 있는가?
• RQ2 ASR 기술자를 사용하여 국소 원자 환경에서 결정계면 에너지를 얼마나 정확하게 예측할 수 있는가?
• RQ3 LER 기술자를 사용하여 국소 원자 환경 정보만으로 GB 이동도와 전단 결합을 높은 정확도로 분류할 수 있는가?
• RQ4 반경 기저 크기와 각도 컷오프와 같은 초모델 하이퍼파rameter가 LER 기술자의 성능에 어떻게 영향을 미치는가?
• RQ5 왜 모델은 '일정' 이동도 클래스를 학습하지 못하는가? 이는 데이터 희소성과 모델 일반화 능력에 대해 어떤 시사점을 갖는가?

주요 결과

• 희소한 '일정' 이동도 클래스를 제외한 검증 세트에서 LER 기술자는 GB 이동도 분류에 85.5%의 정확도를 달성하였다.
• 경계선 SMOTE를 사용한 클래스 균형 조정과 XGBoost를 적용하여, 이동도 분류 정확도가 80%를 초과하였으며, 기준 모델보다 유의미하게 뛰어났다.
• 선형 SVM에 ℓ₁ 정규화를 적용한 전단 결합 예측은 64%의 정확도를 기록하였지만, 트리 기반 모델은 성능이 열등하여 국소 환경 데이터의 이 성질에 대한 한계를 시사하였다.
• ASR 기반 에너지 예측 모델은 테스트 세트에서 83.0%의 정확도를 기록하였으며, 무작위보다 略 높은 성능을 보였지만, 해석 가능성 부족으로 인해 물리적 통찰을 제공하지 못했다.
• LER 기술자는 반경 기저 크기 및 각도 컷오프와 같은 파rameter 설정에 민감하며, 이는 고유한 LAE의 수와 모델 성능에 영향을 미친다.
• 본 연구는 현재 데이터 크기(단지 5개의 GB)로는 '일정' 이동도 클래스를 학습할 수 없음을 규명하였으며, 희귀한 구조 모티프를 포괄하기 위해 더 큰 데이터셋이 필요함을 시사한다.