[论文解读] 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 5

一句话总结

本文提出了一种深度学习框架，利用包含超过10万个组成、最多含37种氧化物组分的大规模数据集，实现氧化物玻璃的合理设计。作者开发了高保真度的深度神经网络，以高精度预测八种关键性能参数（如杨氏模量、玻璃化转变温度和折射率），与实验数据高度一致，从而实现多约束功能玻璃设计的玻璃选型图谱。

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.

研究动机与目标

• 为克服氧化物玻璃缺乏通用的组成-性能模型这一问题，该问题阻碍了材料设计的加速进程。
• 开发一种数据驱动、可扩展的方法，以预测人类制造的氧化物玻璃全组成范围内各类物理性能。
• 通过同时识别满足多种性能与成分约束的组成，实现功能玻璃的理性、多目标设计。
• 建立一个通用的机器学习框架，可扩展应用于氧化物玻璃以外的其他材料体系，如金属、陶瓷和蛋白质。

提出的方法

• 在包含超过10万个氧化物玻璃组成、最多含37种氧化物组分的综合数据集上训练深度神经网络。
• 通过特征工程将玻璃组成编码为输入向量，包括氧化物摩尔分数和结构参数。
• 训练多输出神经网络以预测八种关键性能：密度、杨氏模量、剪切模量、硬度、玻璃化转变温度、热膨胀系数、液相线温度和折射率。
• 通过与实验数据对比验证模型预测，确保在多样化玻璃体系中具有高保真度和良好的泛化能力。
• 通过识别同时满足用户定义的成分与多种性能约束的组成，生成玻璃选型图谱。
• 采用迁移学习和正则化技术以增强模型鲁棒性，并防止在复杂、高维数据上出现过拟合。

实验结果

研究问题

• RQ1 深度学习模型能否在全组成范围内准确预测氧化物玻璃的广泛物理性能？
• RQ2 这些模型在包括复杂多组分氧化物在内的多样化玻璃体系中，其泛化能力如何？
• RQ3 模型能否通过同时识别满足多种性能与成分约束的组成，实现玻璃的理性设计？
• RQ4 预测性能与实验测量结果在精度和可靠性方面相比如何？
• RQ5 该框架能否扩展至氧化物玻璃以外的其他材料体系？

主要发现

• 深度学习模型实现了高预测精度，所有八种性能的预测值与实验值高度一致。
• 该模型是迄今最全面的，覆盖了人类制造的氧化物玻璃全组成范围，包括复杂的多组分体系。
• 成功生成了玻璃选型图谱，可识别同时满足两个或以上性能与成分约束的独特组成。
• 该框架展现出强大的泛化能力，在高维且稀疏的组成数据上也表现出极低的过拟合现象。
• 该方法可实现加速、理性的功能玻璃设计，适用于光学、结构或耐热材料等特定应用场景。
• 该方法具有可迁移性和可扩展性，为金属、陶瓷和蛋白质等材料体系的机器学习辅助材料发现提供了基础。