[논문 리뷰] Machine Learning for Electrode Materials: Property Prediction via Composition

Hao Wu, Cameron Hargreaves외 2명|arXiv (Cornell University)|2026. 03. 08.

Machine Learning in Materials Science인용 수 0

한 줄 요약

이 논문은 Materials Project Battery 데이터셋을 사용하여 조성으로부터 전극 재료 특성을 예측하기 위해 세 가지 조성 기반 ML 모델(MODNet, CrabNet, RF@Magpie)을 벤치마크하고, CrabNet이 지표 및 검증 스킴 전반에서 가장 일관되게 높은 정확도를 보임을 확인한다.

ABSTRACT

In this work, we benchmark three leading Machine Learning (ML) frameworks-MODNet, CrabNet, and a random forest model based on Magpie feature-for predicting properties of battery electrode materials using the Materials Project Battery Explorer dataset. We evaluate these models based on predictive accuracy, visualize numerical features using two-dimensional embeddings, and quantify performance using standard metrics. Our results demonstrate that CrabNet consistently outperforms the other models across all tests. To validate these findings, we employ robust statistical methods: bootstrap resampling and two cross-validation (CV) strategies (leave one cluster out and stratified 5-fold CV), comparing each model against a control baseline. In addition, we apply unsupervised clustering on MODNet-derived features using t-SNE and DBSCAN, revealing coherent material groupings without prior labels. This analysis confirms the robustness of the evaluated models and underscores the potential of ML-driven approaches for accelerating the electrode materials discovery. However, our study also identifies practical limitations and quantifies challenges associated with integrating ML models into materials science workflows. Despite these constraints, our findings suggest that ML models are highly effective for early-stage compositional screening in the battery industry. This work provides a foundation for future research on ML applications in materials discovery.

연구 동기 및 목표

• 배터리 전극 특성에 대한 조성 기반 ML 모델의 예측 성능을 평가한다.
• 공통 특징 집합(Magpie 특징)을 사용하여 MODNet, CrabNet, RF@Magpie를 비교한다.
• LOCO 및 층화된 교차 검증을 포함한 강건한 검증 전략으로 모델을 평가한다.
• 2D 임베딩을 통해 고차원 특징을 시각화하고 군집화 및 물질의 대표성을 평가한다.
• 전극 탐색에서 조성 수준 선별에 대한 벤치마크와 시사점을 제공합니다.

제안 방법

• Magpie 기반 특징을 사용하여 전극 조성을 특징화한다(입력 벡터: MODNet 273 특징, CrabNet 199, Magpie 21).
• 세 모델을 학습한다: MODNet(정규화 상호정보(Normalized Mutual Information)을 통한 특징 선택을 갖춘 신경망), CrabNet(mat2vec 임베딩에 대한 트랜스포머 유사 주의 네트워크), RF@Magpie(Magpie 특징을 사용한 랜덤 포레스트).
• 중량당 용량, 부피당 용량, 평균 전압에 대한 예측 정확도를 MAE 및 SMAE(정규화된 MAE)를 사용하여 평가한다.
• 부트스트랩 재샘플링 및 두 가지 CV 전략을 수행한다: leave-one-cluster-out(LOCO) 및 층화된 5-폴드 CV, 클러스터는 MODNet 특징에 대해 DBSCAN으로 도출한다.
• 2D 임베딩을 위해 t-SNE/UMAP를 사용하고, 물질의 구조적 특성과 화학적 유사성을 분석하기 위해 DBSCAN으로 클러스터링한다.
• 평균 예측 베이스라인과 결과를 비교하고 작동 이온 및 데이터셋 크기에 따른 강건성을 보고한다.

Figure 2 : Distribution of working ions in the electrode materials dataset.

실험 결과

연구 질문

• RQ1 조성만으로 전극 특성을 예측하는 데 있어 조성 기반 ML 모델(MODNet, CrabNet, RF@Magpie)은 어떤 성능을 보이는가?
• RQ2 CrabNet은 여러 특성 및 다수의 검증 스킷에서 일관되게 다른 모델보다 우수한가?
• RQ3 데이터셋 규모와 클래스 분포(작동 이온)가 모델 정확도에 미치는 영향은 무엇인가?
• RQ4 2D 임베딩 및 클러스터링이 물질 그룹 및 예측 성능과 어떤 관련이 있는가?
• RQ5 조성 수준의 전극 발견에 ML 적용의 실용적 한계는 무엇인가?

주요 결과

모델	Gravimetric capacity MAE (and 2σ)	Gravimetric capacity SMAE (and 2σ)	Gravimetric capacity R^2 (and 2σ)	Volumetric capacity MAE (and 2σ)	Volumetric capacity SMAE (and 2σ)	Volumetric capacity R^2 (and 2σ)	Average voltage MAE (and 2σ)	Average voltage SMAE (and 2σ)	Average voltage R^2 (and 2σ)
MODNet	26.834 (21.085)	0.308 (0.242)	0.841 (0.726)	106.252 (86.173)	0.333 (0.0.270)	0.810 (0.739)	1.129 (0.634)	0.489 (0.277)	0.051 (0.699)
CrabNet	24.730 (18.126)	0.284 (0.208)	0.843 (0.724)	94.312 (77.805)	0.295 (0.244)	0.830 (0.722)	1.087 (0.653)	0.474 (0.285)	0.090 (0.660)
RF@Magpie	49.180 (35.166)	0.565 (0.404)	0.643 (0.533)	173.328 (137.967)	0.543 (0.432)	0.646 (0.540)	1.588 (0.925)	0.693 (0.404)	0.084 (0.562)
Control	87.095 (27.739)	1 (0.663)	0 (0)	319.238 (232.880)	1 (0.729)	0 (0)	2.292 (1.858)	1 (0.811)	0 (0)

• CrabNet은 5-fold CV 및 LOCO/층화 CV 하에서 중량당 용량, 부피당 용량, 평균 전압에서 일관되게 최고 예측 정확도를 달성한다.
• RF@Magpie는 MAE/SMAE에서 MODNet 및 CrabNet에 비해 일반적으로 저조하고 오차가 더 큰 경향을 보이며, 특히 일반화 능력을 검증하는 교차 검증 방식에서 더 두드러진다.
• 중량당 용량에서 CrabNet은 MAE 약 24.730(2σ 필터링 데이터에서 18.126) 및 SMAE 약 0.284(0.208), R2 약 0.84에 근접한 강한 견고성을 보이며 부피당 용량과 전압에서도 유사한 강건성을 보인다.
• 임베디드 MODNet 특징에 대한 DBSCAN 클러스터 분석은 14개의 클러스터를 식별하고 ElMD 평균 대표 물질을 통한 화학적 대표성을 보이며, 클러스터링은 알려진 화학적 특성과 일치한다(예: Li 기반 클러스터에 LFP 포함).
• 부트스트랩 분석은 데이터셋 크기가 커질수록 예측 오차가 감소함을 보여주며, 재료 발견에서 더 큰 조성 데이터셋의 가치가 강조된다.
• LOCO CV가 층화 CV보다 더 큰 오차를 유발하여 분포 밖 테스트에 대한 모델의 강건성이 스킴에 따라 달라짐을 시사하며, CrabNet은 모든 스킴에서 우수한 성능을 유지한다.

Figure 5 : 2D map of t-SNE embeddings of the materials using input features from MODNet. The points have been colored based on DBSCAN clustering. A total of 14 clusters are identified. The representative material from each cluster, as selected by ElMD mean representative, is indicated together with