[論文レビュー] Deep Learning Aided Rational Design of Oxide Glasses

Ravinder Bhattoo, Karthikeya H. Sreedhara+6 more|arXiv (Cornell University)|Dec 25, 2019

Glass properties and applications参考文献 43被引用数 5

ひとこと要約

本論文は、最大37種の酸化物成分を含む10万件を超える組成をカバーする大規模データセットを用いて、酸化物ガラスの合理的設計のためのディープラーニングフレームワークを提示する。著者らは、実験データと強い一致を示す8つの主要な物性（ヤング率、転移温度、屈折率など）を予測する高精度なディープニューラルネットワークを開発し、機能的ガラスのマルチ制約設計に適したガラス選択チャートの作成を可能にする。

ABSTRACT

Despite the extensive usage of oxide glasses for a few millennia, the composition-property relationships in these materials still remain poorly understood. While empirical and physics-based models have been used to predict properties, these remain limited to a few select compositions or a series of glasses. Designing new glasses requires a priori knowledge of how the composition of a glass dictates its properties such as stiffness, density, or processability. Thus, accelerated design of glasses for targeted applications remain impeded due to the lack of universal composition-property models. Herein, using deep learning, we present a methodology for the rational design of oxide glasses. Exploiting a large dataset of glasses comprising of up to 37 oxide components and more than 100,000 glass compositions, we develop high-fidelity deep neural networks for the prediction of eight properties that enable the design of glasses, namely, density, Young's modulus, shear modulus, hardness, glass transition temperature, thermal expansion coefficient, liquidus temperature, and refractive index. These models are by far the most extensive models developed as they cover the entire range of human-made glass compositions. We demonstrate that the models developed here exhibit excellent predictability, ensuring close agreement with experimental observations. Using these models, we develop a series of new design charts, termed as glass selection charts. These charts enable the rational design of functional glasses for targeted applications by identifying unique compositions that satisfy two or more constraints, on both compositions and properties, simultaneously. The generic design approach presented herein could catalyze machine-learning assisted materials design and discovery for a large class of materials including metals, ceramics, and proteins.

研究の動機と目的

• 酸化物ガラスの普遍的な組成-物性モデルの欠如が、材料設計の加速を妨えているという問題を克服する。
• 人為的酸化物ガラス組成の全範囲にわたり、多様な物理的物性を予測するデータ駆動的でスケーラブルなアプローチを開発する。
• 複数の物性および組成制約を同時に満たす組成を同定することで、機能的ガラスの合理的かつマルチオブジェクティブ設計を可能にする。
• 酸化物ガラスにとどまらず、金属、セラミックス、タンパク質などの他の材料系にも適用可能な汎用的な機械学習フレームワークを確立する。

提案手法

• 最大37種の酸化物成分を含む10万件を超える酸化物ガラス組成の包括的データセットを用いてディープニューラルネットワークをトレーニングする。
• 酸化物モル分率および構造的パラメータを含む、組成を入力ベクトルとしてエンコードするための特徴工学を用いる。
• 密度、ヤング率、剪断率、硬度、転移温度、熱膨張係数、液相線温度、屈折率の8つの主要物性を予測するマルチ出力ニューラルネットワークをトレーニングする。
• 予測値と実験データの一致を検証することで、多様なガラス系にわたる高い正確性と一般化性能を確保する。
• ユーザーが定義した組成および複数の物性に関する制約を同時に満たす組成を同定することで、ガラス選択チャートを生成する。
• 高次元かつスパースな組成データにおいても、過学習を防ぎ、モデルの頑健性を向上させるために、トランスファーラーニングおよび正則化技術を用いる。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、全組成空間にわたる酸化物ガラスの広範な物理的物性を高い精度で予測できるか？
• RQ2 これらのモデルは、複雑な多成分酸化物を含む多様なガラス系にどの程度一般化できるか？
• RQ3 複数の物性および組成制約を同時に満たす組成を同定することで、モデルが合理的なガラス設計を可能にするか？
• RQ4 予測物性値は、実験測定値と比較してどの程度正確かつ信頼性があるか？
• RQ5 このフレームワークは、酸化物ガラスにとどまらず、他の材料系へも拡張可能か？

主な発見

• ディープラーニングモデルは高い予測精度を達成しており、全8物性において予測値と実験値の間で強い一致を示した。
• 本モデルは、複雑な多成分系を含む、人為的酸化物ガラス組成の全範囲をカバーする、これまでで最も包括的なものである。
• ガラス選択チャートが成功裏に生成され、2つ以上の物性および組成制約を同時に満たすユニークな組成の同定が可能になった。
• フレームワークは頑健な一般化性能を示しており、高次元かつスパースな組成データに対しても最小限の過学習が生じた。
• 本アプローチにより、光学的、構造的、耐熱性材料などの目的用途に特化した機能的ガラスの高速で合理的な設計が可能になった。
• この手法は移植可能でスケーラブルであり、金属、セラミックス、タンパク質における機械学習支援材料探索の基盤を提供する。