[論文レビュー] An Investigation of Machine Learning Methods Applied to Structure Prediction in Condensed Matter

W. Brouwer, James D. Kubicki+2 more|arXiv (Cornell University)|May 14, 2014

Machine Learning in Materials Science参考文献 18被引用数 8

ひとこと要約

本稿は、47Ti固体状態NMRス펙トラから凝縮相における原子構造を予測するための機械学習手法——特にマルチサポートベクターレグレッション（MSVR）と人工ニューラルネットワーク（ANN）——を調査している。TiO2のab-initio計算によるNMRデータを用いて、主成分分析（PCA）がスぺクトラル次元を90%以上低減することを示し、両MLモデルが構造パラメータの予測において高い精度を達成した。MSVRとANNは同等の性能を示し、O_x,yおよびO_z座標のRMSE < 0.08、単位格子パラメータのRMSE < 1.5を達成した。

ABSTRACT

Materials characterization remains a significant, time-consuming undertaking. Generally speaking, spectroscopic techniques are used in conjunction with empirical and ab-initio calculations in order to elucidate structure. These experimental and computational methods typically require significant human input and interpretation, particularly with regards to novel materials. Recently, the application of data mining and machine learning to problems in material science have shown great promise in reducing this overhead. In the work presented here, several aspects of machine learning are explored with regards to characterizing a model material, titania, using solid-state Nuclear Magnetic Resonance (NMR). Specifically, a large dataset is generated, corresponding to NMR $^{47}$Ti spectra, using ab-initio calculations for generated TiO$_2$ structures. Principal Components Analysis (PCA) reveals that input spectra may be compressed by more than 90%, before being used for subsequent machine learning. Two key methods are used to learn the complex mapping between structural details and input NMR spectra, demonstrating excellent accuracy when presented with test sample spectra. This work compares Support Vector Regression (SVR) and Artificial Neural Networks (ANNs), as one step towards the construction of an expert system for solid state materials characterization.

研究の動機と目的

• 新規固体状態材料の構造特徴付けに要する時間と人的労力を削減するための機械学習の活用。
• TiO2というモデル酸化物系において、47Ti NMRスケトラを原子構造パラメータにマッピングするデータ駆動型アプローチの開発。
• MSVRとANNがNMRスケトラと構造的歪みの間の複雑な逆マッピングを学習する能力を評価・比較すること。
• スペクトロスコピックデータを用いて、複雑な酸化物における迅速かつ自動的な構造解明が可能なエキスパートシステムの基盤を構築すること。

提案手法

• TiO2の原子位置を変化させた構造に対してab-initio密度汎関数理論（DFT）計算を用いて、47Ti NMRスケトラの大規模データセットを生成した。
• 主成分分析（PCA）を適用してNMRスケトラルデータを圧縮し、構造的情報を保持したまま次元を90%以上低減した。
• 圧縮されたスケトラーフィーチャーを用いてマルチサポートベクターレグレッション（MSVR）および人工ニューラルネットワーク（ANN）を訓練し、酸素の分率座標や単位格子パラメータなどの構造パラメータを予測した。
• 10分割交差検証を用いてモデルの性能を評価し、各foldで450件の訓練データおよび50件のテストデータを用いた。
• ハイパーパrameter（例：MSVRのエpsilon = 0.2）を最適化し、平均二乗誤差（RMSE）を用いて汎化誤差を評価した。
• 化学シフトや四極子カップリング定数といったスペクトロスコピックパラメータを入力として活用し、構造感受性を向上させた。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、47Ti NMRスケトラから凝縮相材料の原子構造パラメータを正確に予測できるか？
• RQ2 PCAは、構造予測の予測精度を損なわせることなく、スケトラル次元を効果的に低減できるか？
• RQ3 MSVRとANNは、NMRスケトラから原子座標および単位格子パラメータへの逆マッピングを学習する能力において、どのように比較できるか？
• RQ4 機械学習は、固体状態NMR解釈における手動によるシミュレーションとフィッティングの必要性をどの程度低減できるか？
• RQ5 四極子カップリング定数のようなスペクトロスコピックパラメータが構造的詳細を捉える際に抱える限界は何か。それらはどのように克服できるか？

主な発見

• PCAによりNMRスケトラルデータの次元が90%以上低減され、情報損失が顕著に小さく、効率的な下流の機械学習が可能になった。
• MSVRはΔ(O_x ≡ O_y)に対してRMSE 0.0636、Δ(O_z)に対して0.0455、Δ(a ≡ b)に対して0.2430、Δ(c)に対して1.0559を達成し、foldごとの性能にわずかなばらつきが見られた。
• ANNは同等の性能を示し、Δ(O_x ≡ O_y)でRMSE 0.0615、Δ(O_z)で0.0399、Δ(a ≡ b)で0.2396、Δ(c)で1.1874を記録し、テストデータに対する強い汎化能力を示した。
• MSVRおよびANNの両方が、構造的歪みの予測において高い精度を示し、ほとんどの場合で予測パラメータの相対誤差が10%未満に保たれた。
• 本研究は、酸化物におけるNMRスケトラと原子スケールの構造的特徴の間の複雑で非線形なマッピングを、機械学習が効果的に学習できることを確認した。
• 結果から、スペクトロスコピックデータを用いて迅速に原子構造を推定可能なエキスパートシステムの構築が現実的であることが示された。