[논문 리뷰] Towards Universal Sparse Gaussian Process Potentials: Application to Lithium Diffusivity in Superionic Conducting Solid Electrolytes

Amir Hajibabaei, Chang Woo Myung외 1명|arXiv (Cornell University)|2020. 09. 28.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 고체 전해질을 위한 보편적인 원자 간 위치 에너지 함수를 개발하기 위해 희소 가우시안 프로세스 회귀 내에서 데이터 효율적이고 적응형 샘플링 알고리즘을 도입한다. 이 방법은 Li7P3S11에서 실험적 융해점과 유리-결정화 온도를 성공적으로 재현하며, 리튬 이동도가 크게 감소한 이전에 특성화되지 않은 상을 규명하여 계층적 전문 모델 조합을 통한 확장 가능한 모델링을 가능하게 한다.

ABSTRACT

For machine learning of interatomic potentials the sparse Gaussian process regression formalism is introduced with a data-efficient adaptive sampling algorithm. This is applied for dozens of solid electrolytes. As a showcase, experimental melting and glass-crystallization temperatures are reproduced for Li7P3S11 and an unchartered infelicitous phase is revealed with much lower Li diffusivity which should be circumvented. By hierarchical combinations of the expert models universal potentials are generated, which pave the way for modeling large-scale complexity by a combinatorial approach.

연구 동기 및 목표

• 기계학습을 이용해 복잡한 고체 전해질에 대한 데이터 효율적이고 보편적인 원자 간 위치 에너지 함수를 개발하기 위해.
• Li7P3S11와 같은 초이온 도전체에서 실험적 열적 거동(융해 및 유리-결정화)을 재현하기 위해.
• 성능에 악영향을 줄 수 있는 낮은 이온 전도도를 가지는 이전에 특성화되지 않은 상을 규명하기 위해.
• 계층적 전문 모델 조합을 통해 복잡한 재료의 대규모 모델링을 가능하게 하기 위해.

제안 방법

• 높은 데이터 효율성으로 원자 간 상호작용을 모델링하기 위해 희소 가우시안 프로세스 회귀를 채택하기 위해.
• 높은 불확실성 영역에서의 데이터 수집을 우선시하는 적응형 샘플링 알고리즘을 구현하기 위해.
• 국소 화학적 및 구조적 복잡성을 포괄하기 위해 다양한 고체 전해질 구조에 대해 개별 전문 모델을 훈련하기 위해.
• 다양한 재료에 적용 가능한 보편적 잠재력 구축을 위해 전문 모델을 계층적으로 조합하기 위해.
• 가우시안 프로세스의 입력 특징으로 원자 환경 기술자를 사용하여 국소 구조를 인코딩하기 위해.
• 가우시안 프로세스의 불확실성 추정치를 활용해 능동 학습을 이끌고 샘플 효율성을 향상시키기 위해.

실험 결과

연구 질문

• RQ1 적응형 샘플링을 적용한 희소 가우시안 프로세스 회귀가 초이온 도전체에서 실험적 열적 전이를 정확히 재현할 수 있는가?
• RQ2 고체 전해질에서 이전에 특성화되지 않은 상의 구조적 및 동적 특성은 무엇인가?
• RQ3 특정 재료에서 훈련된 전문 모델을 어떻게 계층적으로 조합하여 보편적인 원자 간 위치 에너지 함수를 만들 수 있는가?
• RQ4 이 방법이 신뢰할 수 있는 원자 간 위치 에너지 학습을 위한 데이터 요구량을 어느 정도 줄일 수 있는가?

주요 결과

• 이 방법은 Li7P3S11에서 실험적 융해점과 유리-결정화 온도를 성공적으로 재현하였다.
• 리튬 이동도가 크게 감소한 이전에 기록되지 않은 상이 발견되어 재료의 에너지 표면에서의 운동학적 함정 가능성에 대한 시사점을 제공하였다.
• 전문 모델의 계층적 조합은 복잡한 재료 체계에 대한 보편적 잠재력 구축을 가능하게 하였다.
• 적응형 샘플링 전략은 잠재 에너지 표면의 높은 불확실성 영역에 집중함으로써 높은 데이터 효율성을 달성하였다.