[논문 리뷰] Towards an Autonomous Efficient Materials Discovery Framework: An Example of Optimal Experiment Design Under Model Uncertainty

Anjana Talapatra, Shahin Boluki외 4명|arXiv (Cornell University)|2018. 03. 14.

Machine Learning in Materials Science인용 수 8

한 줄 요약

이 논문은 자동화된 재료 발견 프레임워크를 제안하며, 자원 제약 조건과 모델 불확실성 하에서 재료 공간을 효율적으로 탐색하기 위해 베이지안 최적화와 베이지안 모델 평균화를 통합한다. 최적의 실험 영역과 가장 정보가 풍부한 모델을 적응적으로 학습함으로써, 계산 비용을 크게 감소시키면서 MAX 상의 삼성화물/질화물 계열에서 재료 발견을 가속화한다.

ABSTRACT

The accelerated exploration of the materials space in order to identify configurations with optimal properties is an ongoing challenge. Current paradigms are typically centered around the idea of performing this exploration through high-throughput experimentation/computation. Such approaches, however, do not account fo the always present constraints in resources available. Recently, this problem has been addressed by framing materials discovery as an optimal experiment design. This work augments earlier efforts by putting forward a framework that efficiently explores the materials design space not only accounting for resource constraints but also incorporating the notion of model uncertainty. The resulting approach combines Bayesian Model Averaging within Bayesian Optimization in order to realize a system capable of autonomously and adaptively learning not only the most promising regions in the materials space but also the models that most efficiently guide such exploration. The framework is demonstrated by efficiently exploring the MAX ternary carbide/nitride space through Density Functional Theory (DFT) calculations.

연구 동기 및 목표

• 자원 제약 조건 하에서 모델 불확실성을 실험 설계에 통합하여 재료 발견의 과제를 해결한다.
• 탐색을 이끄는 데 유용한 재료 영역과 가장 정보가 풍부한 모델을 적응적으로 학습하는 자동화된 시스템을 개발한다.
• 최적의 재료 구성을 식별하기 위해 필요한 고비용 DFT 계산의 수를 줄인다.
• 프레임워크가 MAX 삼성화물/질화물 재료 공간을 탐색하는 데 있어 효율성을 입증한다.

제안 방법

• 프레임워크는 예상 향상 기반의 순차적 실험 선택을 안내하기 위해 베이지안 최적화를 활용한다.
• 다양한 후보 모델의 예측을 통합함으로써 모델 불확실성을 반영하기 위해 베이지안 모델 평균화를 사용한다.
• 획득 함수는 모델 선택의 불확실성을 반영하여, 모델이 완벽하지 않을 경우에도 견고한 탐색을 보장한다.
• 베이지안 추론을 통해 재료 성질과 모델 가중치에 대한 믿음의 갱신을 반복적으로 수행한다.
• 모델 예측의 사후 확률에 따라 가중치를 조정함으로써 탐색과 이용의 동적 균형을 유지한다.
• 이 방법은 DFT 계산을 기반으로 하는 계산 엔진을 사용하여 MAX 상 재료 공간에 적용된다.

실험 결과

연구 질문

• RQ1 모델 불확실성이 재료 발견을 위한 실험 설계에 효과적으로 통합될 수 있는가?
• RQ2 모델 불확실성은 자동화된 재료 탐색의 효율성과 견고성에 어떤 영향을 미치는가?
• RQ3 베이지안 모델 평균화가 모델 모호성 하에서 재료 발견의 베이지안 최적화 수렴을 향상시킬 수 있는가?
• RQ4 기존 방법과 비교해 프레임워크는 필요한 DFT 계산의 수를 얼마나 줄일 수 있는가?
• RQ5 프레임워크는 얼마나 자율적으로 가장 정보가 풍부한 모델과 재료 영역을 식별할 수 있는가?

주요 결과

• 모델 불확실성 하에서 탐색과 이용의 지능적인 균형을 통해 프레임워크는 필요한 DFT 계산의 수를 크게 줄였다.
• 베이지안 모델 평균화는 탐색 과정에서 특정 한 모델에 과도하게 의존하는 것을 방지함으로써 견고성을 향상시켰다.
• 시스템은 높은 신뢰도로 MAX 상 재료 공간에서 가장 유망한 영역을 자율적으로 식별했다.
• 모델 불확실성을 통합함으로써, 알려진 모델을 가정하는 방법보다 더 효율적이고 신뢰할 수 있는 발견이 가능해졌다.
• 삼성화물/질화물 계열에서 최적의 재료 구성을 더 빨리 수렴할 수 있도록 하는 데에 성공했다.