[论文解读] Interpretable deep learning for guided structure-property explorations in photovoltaics

Balaji Sesha Sarath Pokuri, Sambuddha Ghosal+3 more|arXiv (Cornell University)|Nov 14, 2018

Machine Learning in Materials Science参考文献 17被引用 3

一句话总结

该论文提出一种定制的深度卷积神经网络（CNN）作为快速、可解释的代理模型，用于将有机光伏（OPV）活性层微观结构映射到其功率转换效率，实现形态的引导设计。该模型在分类性能等级方面表现出高精度，并通过显著性图识别出关键界面特征，在分布外样本数据上的可解释性和泛化能力优于标准网络如VGG-16和ResNet-50。

ABSTRACT

The performance of an organic photovoltaic device is intricately connected to its active layer morphology. This connection between the active layer and device performance is very expensive to evaluate, either experimentally or computationally. Hence, designing morphologies to achieve higher performances is non-trivial and often intractable. To solve this, we first introduce a deep convolutional neural network (CNN) architecture that can serve as a fast and robust surrogate for the complex structure-property map. Several tests were performed to gain trust in this trained model. Then, we utilize this fast framework to perform robust microstructural design to enhance device performance.

研究动机与目标

• 解决有机光伏（OPVs）中结构-性能映射成本高昂且非显而易见的挑战，其中微观形态强烈影响功率转换效率。
• 克服传统方法（如PDE模拟和直观描述符）的局限性——这些方法或计算成本过高，或覆盖不全面。
• 开发一种数据驱动的、可解释的深度学习框架（DLSP），以加速并引导高性能OPV微观结构的发现。
• 通过利用可信、快速的代理模型，实现高性能形态的可视化与自动化设计。
• 证明模型的可解释性可揭示与性能相关的物理上有意义的特征，如界面连通性和域尺寸。

提出的方法

• 训练一种定制的浅层CNN，基于短路电流密度（$J_{sc}$）将OPV微观结构分类为10个性能等级，使用通过动力学蒙特卡洛模拟生成的微观结构。
• 通过样本内和样本外数据集验证模型，确保其鲁棒性和泛化能力，未观察到严重过拟合。
• 利用显著性图解释模型预测结果，识别出最具影响力的形态学特征，如界面面积和域连通性。
• 将训练好的CNN集成到基于种群的增量学习（PBIL）优化框架中，作为快速、可微分的代价函数，实现形态的自动化设计。
• 采用PBIL方法通过迭代更新概率形态表示（一个2D概率矩阵$P$），基于所采样形态的性能，强化高性能特征。
• 通过极度并行化的方式评估多个形态，高效扩展优化过程。

实验结果

研究问题

• RQ1 深度学习模型能否作为OPV活性层微观结构复杂非线性结构-性能关系的准确且泛化能力强的代理模型？
• RQ2 如显著性图等可解释性技术如何揭示标准预训练网络无法捕捉的OPV微观结构中具有物理意义的特征？
• RQ3 快速、可解释的深度学习模型能否有效实现高性能OPV形态的可视化与自动化设计？
• RQ4 在这一特定材料科学问题中，定制设计的CNN在准确性和特征解释方面，与VGG-16和ResNet-50等标准架构相比，其优越性体现在多大程度上？
• RQ5 如何将物理信息先验知识整合到训练过程中，以减少数据需求并提高模型鲁棒性？

主要发现

• 定制CNN在分类$J_{sc}$性能等级方面表现出高精度，并在分布外形态上展现出良好的泛化能力，未观察到显著过拟合。
• 显著性图显示，定制CNN始终能可靠识别出关键界面特征（如连通路径和域边界）作为性能的关键驱动因素，而VGG-16和ResNet-50则无法做到这一点。
• PBIL优化生成的形态演化为细长的指状分形结构，与先前研究中报道的形态相似，表明对性能流形的有效探索。
• 尽管结构更浅，定制CNN在分类准确性和可解释性方面均优于VGG-16和ResNet-50，证明了面向任务的网络架构设计的价值。
• 将训练好的模型集成到PBIL框架中，实现了形态的高效并行化优化，加速了高性能结构的发现。
• 该框架成功证明，在材料科学中，可解释性与速度可在深度学习模型中并存，从而同时实现机理洞察与结构设计。