[논문 리뷰] A physics-informed feature engineering approach to use machine learning with limited amounts of data for alloy design: shape memory alloy demonstration.

Sen Liu, Branden B. Kappes외 4명|arXiv (Cornell University)|2020. 03. 04.

Machine Learning in Materials Science인용 수 6

한 줄 요약

이 논문은 형상 기억 합금을 중심으로, 제한된 실험 데이터에서 기계학습 성능을 향상시키기 위한 물리 기반 특성 공학 접근법을 제시한다. 열역학적 및 동역학적 모델에 기반한 기존의 원소 특성과 새로운 열처리 특성을 조합함으로써, 복잡한 합금 개발 추세를 선형화하고, 희소한 데이터 조건에서도 기계학습 예측 정확도를 크게 향상시킨다.

ABSTRACT

Machine learning using limited data from physical experiments is shown to work to predict new shape memory alloys in a high dimensional alloy design space that considers chemistry and thermal post-processing. The key to enabling the machine learning algorithms to make predictions of new alloys and their post-processing is shown to be a physics-informed featured engineering approach. Specifically, elemental features previously engineered by the computational materials community to model composition effects in materials are combined with newly engineered heat treatment features. These new features result from pre-processing the heat treatment data using mathematical relationships known to describe the thermodynamics and kinetics of precipitation in alloys. The prior application of the nonlinear physical models to the data in effect linearizes some of the complex alloy development trends a priori using known physics, and results in greatly improved performance of the ML algorithms trained on relatively few data points.

연구 동기 및 목표

• 고차원적 합금 설계 공간에서 실험 데이터가 제한된 조건에서 기계학습 모델을 훈련시키는 데 도전하는 데 목적이 있다.
• 최적의 후처리 조건을 갖춘 새로운 형상 기억 합금을 예측하는 데 기계학습 성능을 향상시키는 데 목적이 있다.
• 기존의 물리 원리를 특성 공학에 통합하여 데이터 의존도를 낮추는 데 목적이 있다.
• 이 접근법이 실제 합금 개발 맥락에서 효과적인지를 입증하는 데 목적이 있다.

제안 방법

• 컴퓨터 재료 과학 기법에 기반한 기존의 원소 특성을 공학하여 조성 효과를 표현한다.
• 실험적 열처리 데이터에 알려진 열역학적 및 동역학적 모델을 적용하여 새로운 열처리 특성을 개발한다.
• 비선형 물리 모델을 사용해 열처리 데이터를 사전 처리함으로써, 합금 거동의 복잡한 추세를 효과적으로 선형화한다.
• 원소 특성과 열처리 특성을 통합하여 기계학습 훈련을 위한 통합된 특성 공간을 구성한다.
• 희소한 실험 데이터 포인트를 사용하여 공학된 특성에 기반해 기계학습 모델을 훈련시킨다.
• 높은 정확도로 새로운 합금 조성 및 후처리 파rameter를 예측함으로써 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 제한된 실험 데이터에서 합금 설계에 물리 기반 특성 공학이 기계학습 성능을 향상시킬 수 있는가?
• RQ2 열역학적 및 동역학적으로 유도된 특성은 합금 성질 기계학습 예측에 어떻게 기여하는가?
• RQ3 기존의 물리 모델을 얼마나 활용하면 효과적인 합금 발견을 위한 데이터 요구량을 줄일 수 있는가?
• RQ4 이 접근법은 최적의 후처리 조건을 갖춘 새로운 형상 기억 합금을 식별할 수 있는가?

주요 결과

• 물리 기반 특성 공학 접근법은 제한된 데이터 조건에서도 기계학습 모델 성능을 크게 향상시킨다.
• 열역학적 및 동역학적 모델을 특성 공학에 통합함으로써, 사전에 복잡한 합금 개발 추세를 선형화할 수 있다.
• 이 방법은 새로운 형상 기억 합금과 그 최적의 열처리 조건을 정확하게 예측할 수 있다.
• 이 접근법은 광범위한 실험 데이터의 필요성을 줄여 합금 발견 속도를 가속화한다.