[論文レビュー] Deep Learning of Superconductors I: Estimation of Critical Temperature of Superconductors Toward the Search for New Materials

Tomohiko Konno, Hodaka Kurokawa+5 more|arXiv (Cornell University)|Dec 3, 2018

Machine Learning in Materials Science被引用数 3

ひとこと要約

本論文は、化学組成を独創的な「読み取り周期表」手法で読み取る深層学習モデルを導入し、超伝導体の臨界温度（Tc）を予測するもので、R² = 0.92の高い性能を示した。『ごみを投入する』手法を用いて合成非超伝導体データを生成し、実際の超伝導体データで訓練することで、モデルは62%の精度で超伝導性を予測し、学習データ外の既知および新規超伝導体（CaBi₂ や鉄系材料など）を同定した。これらの材料は、発見以前の段階で予測された。

ABSTRACT

Exploration of new superconductors still relies on the experience and intuition of experts and is largely a process of experimental trial and error. In one study, only 3% of the candidate materials showed superconductivity. Here, we report the first deep learning model for finding new superconductors. We introduced the method named reading periodic which represented the periodic table in a way that allows deep learning to learn to read the periodic table and to learn the law of elements for the purpose of discovering novel superconductors that are outside the training data. It is recognized that it is difficult for deep learning to predict something outside the training data. Although we used only the chemical composition of materials as information, we obtained an $R^{2}$ value of 0.92 for predicting $T_ ext{c}$ for materials in a database of superconductors. We also introduced the method named garbage-in to create synthetic data of non-superconductors that do not exist. Non-superconductors are not reported, but the data must be required for deep learning to distinguish between superconductors and non-superconductors. We obtained three remarkable results. The deep learning can predict superconductivity for a material with a precision of 62%, which shows the usefulness of the model; it found the recently discovered superconductor CaBi2 and another one Hf0.5Nb0.2V2Zr0.3, neither of which is in the superconductor database; and it found Fe-based high-temperature superconductors (discovered in 2008) from the training data before 2008. These results open the way for the discovery of new high-temperature superconductor families. The candidate materials list, data, and method are openly available from the link this https URL.

研究の動機と目的

• 試行錯誤に依存する超伝導体発見の限界を克服し、学習データ外にも一般化可能なデータ駆動型手法を開発すること。
• 深層学習が周期律表および化学組成を解釈できるようにし、超伝導臨界温度（Tc）を予測すること。
• 非超伝導体データの不足を補うために、『ごみを投入する』手法を用いて合成非超伝導体材料を生成すること。
• 予測モデリングを通じて、既存のデータベースに存在しない新規超伝導体（例：鉄系やその他の高温超伝導体ファミリー）を発見すること。

提案手法

• 周期律表を符号化することで、深層学習が元素間の関係や傾向を学習できるようにする『読み取り周期表』を導入した。
• 化学組成のみを入力として用い、実際の超伝導体データで深層ニューラルネットワークを訓練し、Tcを予測した。
• 『ごみを投入する』技術を適用し、存在しないが非超伝導体である合成材料を生成することで、モデルの一般化性能を向上させた。
• 予測されたTcに基づいて、材料を超伝導体または非超伝導体に分類するためのしきい値を設定した。
• Tc予測のR²と超伝導性分類の精度を用いて、モデルの性能を評価した。
• 既知の材料、特に学習期間終了後に発見された材料について、モデルの予測を検証した。

実験結果

リサーチクエスチョン

• RQ1 化学組成のみで学習した深層学習モデルが、学習分布外の材料に対しても高い精度でTcを予測できるか？
• RQ2 『ごみを投入する』手法が、超伝導体と非超伝導体の区別を向上させるために、効果的に合成非超伝導体データを生成できるか？
• RQ3 学習データに存在しなかった既知の超伝導体（特に、学習の打ち切り時期以降に発見されたもの）をモデルが同定できるか？
• RQ4 予め報告されていなかった新規材料（例：鉄系やその他の高温超伝導体ファミリー）の超伝導性をモデルが予測できるか？
• RQ5 複雑または非標準的な組成を有する材料に対し、モデルはどの程度一般化できるか？

主な発見

• 化学組成のみを用いたモデルは、超伝導体のTc予測においてR² = 0.92を達成し、強い回帰性能を示した。
• モデルは62%の精度で超伝導性を予測し、超伝導体と非超伝導体を区別する能力を示した。
• 学習データに存在しなかったが、最近発見された超伝導体であるCaBi₂の存在を、モデルは正しく予測した。
• Hf₀.₅Nb₀.₂V₂Zr₀.₃は、以前に超伝導体として報告されていなかったが、モデルがその可能性を同定した。
• 2008年の発見以前に鉄系高温超伝導体の存在を予測したため、学習期間を越えた予測能力が裏付けられた。
• 複雑な化学 stoichiometries を有する材料に対しても、モデルの予測は学習分布外に一般化できることを検証した。