[논문 리뷰] Unlocking Thermoelectric Potential: A Machine Learning Stacking Approach for Half Heusler Alloys

Vipin K. E, Prahallad Padhan|arXiv (Cornell University)|2024. 08. 01.

Heusler alloys: electronic and magnetic propertiesMaterials Science인용 수 3

한 줄 요약

이 연구는 랜덤 포레스트와 XGBoost를 조합한 기계학습 스태킹 모델을 제안하여 반 헤우슬러 합금의 열전 성질을 높은 정확도로 예측한다. 앙상블 방법은 개별 모델을 초월한 뛰어난 성능을 달성하며, ZT의 주요 예측자로 온도, 평균 공유 결합 반지름, 평균 구리비 에너지 편차를 규명하여 고성능 열전 재료의 데이터 기반 설계를 가능하게 한다.

ABSTRACT

Thermoelectric properties of Half Heusler alloys are predicted by adopting an ensemble modelling approach, specifically the stacking model integrated using Random Forest and XGBoost scheme. Leveraging a diverse dataset encompassing thermal conductivity, the Seebeck coefficient, electrical conductivity, and the figure of merit (ZT), the study demonstrates superior predictive performance of the stacking Model, outperforming individual base models with high R2 values. Key features such as temperature, mean Covalent Radius, and average deviation of the Gibbs energy per atom emerge as critical influencers, highlighting their pivotal roles in optimizing thermoelectric behavior. The unification of Random Forest and XGBoost in the stacking model effectively captures nuanced relationships, offering a holistic understanding of thermoelectric performance in Half Heusler alloys. This work advances predictive modelling in thermoelectricity and provides valuable insights for strategic material design, paving the way for enhanced efficiency and performance in thermoelectric applications. The ensemble modelling framework, coupled with insightful feature selection and meticulous engineering, establishes a robust foundation for future research in pursuing high-performance thermoelectric materials.

연구 동기 및 목표

• 기계학습을 활용하여 반 헤우슬러 합금의 열전 성질에 대한 강력한 예측 모델을 개발하기 위해.
• 기존 단일 모델을 초월해 다수의 추정기들을 앙상블 스태킹을 통해 통합함으로써 예측 정확도를 향상시키기 위해.
• 특히 ZT에 영향을 미치는 가장 중요한 재료 기술적 특성(기술표현자)을 규명하기 위해.
• 기능 중요도 분석을 통해 고성능 열전 재료의 합리적 설계를 위한 실질적인 통찰을 제공하기 위해.
• 복잡한 이종금속계에서 예측 기반 재료 발견을 위한 확장 가능한 프레임워크를 구축하기 위해.

제안 방법

• 기본 추정기인 랜덤 포레스트와 XGBoost의 예측을 조합하여 앙상블 스태킹 모델을 구축한다.
• 메타-러닝 모델은 기본 모델의 예측을 입력 특성으로 사용하여 ZT, 시베크 계수, 전기 전도도, 열전도도에 대한 최종 예측 출력을 생성한다.
• 학습 및 특성 공학을 위해 온도, 평균 공유 결합 반지름, 원자당 구리비 에너지를 포함한 종합적인 데이터셋을 사용한다.
• 예측 성능 평가를 위해 R²를 사용하는 회귀 평가 지표를 활용하여 모델을 학습 및 검증한다.
• 열전 성질에 영향을 미치는 주요 기술적 특성을 규명하기 위해 기능 중요도 분석을 수행한다.
• 강건성과 일반화 능력을 확보하기 위해 초모수 조정과 교차 검증을 통합한다.

실험 결과

연구 질문

• RQ1 반 헤우슬러 합금의 열전 성질을 예측하는 데 있어 스태킹 앙상블 모델이 개별 기계학습 모델을 능가할 수 있는가?
• RQ2 온도, 공유 결합 반지름, 또는 구리비 에너지 편차와 같은 재료 기술적 특성 중 ZT에 가장 크게 영향을 미치는 것은 무엇인가?
• RQ3 구조적 특성과 열역학적 특성 간의 상호작용이 열전 성능에 어떻게 영향을 미치는가?
• RQ4 랜덤 포레스트와 XGBoost의 통합은 단독 모델 대비 예측 정확도를 얼마나 향상시키는가?
• RQ5 모델이 고ZT 반 헤우슬러 합금의 합리적 설계를 위한 실질적인 통찰을 제공할 수 있는가?

주요 결과

• 스태킹 모델은 개별 기본 모델보다 더 높은 R² 값을 확보하여 ZT 및 기타 열전 성질에 대해 뛰어난 예측 성능을 입증하였다.
• 온도, 평균 공유 결합 반지름, 원자당 평균 구리비 에너지 편차가 ZT 결정에 가장 영향을 미치는 핵심 특성으로 규명되었다.
• 랜덤 포레스트와 XGBoost의 통합은 데이터 내 복잡한 비선형 관계를 효과적으로 포착하여 일반화 능력과 강건성을 향상시켰다.
• 모델의 높은 예측 정확도는 열전 응용을 위한 반 헤우슬러 합금의 신뢰할 수 있는 선별을 가능하게 한다.
• 기능 중요도 분석을 통해 열역학적 안정성(구리비 에너지 편차를 통한)과 원자 크기(공유 결합 반지름을 통한)가 ZT 최적화에 핵심적임을 규명하였다.
• 이 프레임워크는 확장 가능하고 해석 가능하며 고성능인 접근 방식을 제공하여 차세대 열전 재료 발견을 가속화한다.