要約
材料データベースの出現により、膨大なデータ空間から新たな材料特性の予測記述子を発見する前例のない機会が提供されます。
ただし、ハイスループットの ab initio データへの一般的な依存は、必然的にそのようなデータの制限、つまり実験との不一致を引き継ぎます。
一方で、実験的な決定は、ほとんど明確に表現されない経験から研ぎ澄まされた専門家の直観によって導かれることがよくあります。
私たちは、機械学習を使用して、専門的に厳選された測定ベースのデータを使用して、そのような操作上の直観を定量化可能な記述子に「詰め込む」ことを提案します。
この人間の直感をカプセル化して明確にするために、「マテリアル エキスパート – 人工知能」(ME-AI) を導入します。
このようなプログラムに向けた最初のステップとして、我々は、構造情報に基づいて専門家が特定した記述子、つまり公差係数に触発された特性として、四角網材料の中のトポロジカル半金属(TSM)に焦点を当てます。
私たちは、可能な限り実験データを使用して、879 の正方形ネット マテリアルの 12 の主要な特徴を含むデータセットを厳選することから始めます。
次に、特殊なカーネルを使用したディリクレベースのガウス過程回帰を使用して、正方網トポロジカル半金属の複合記述子を明らかにします。
ME-AI が学習した記述子は、専門家の直感を独自に再現し、それを拡張します。
具体的には、新しい記述子は、スクエアネット化合物内の TSM を予測する重要な化学的特徴として超原子価を示しています。
慎重に定義された問題に対する私たちの成功は、「人間の洞察を機械がボトル詰めする」アプローチが機械学習支援の材料発見に有望であることを示しています。
要約(オリジナル)
The advent of material databases provides an unprecedented opportunity to uncover predictive descriptors for emergent material properties from vast data space. However, common reliance on high-throughput ab initio data necessarily inherits limitations of such data: mismatch with experiments. On the other hand, experimental decisions are often guided by an expert’s intuition honed from experiences that are rarely articulated. We propose using machine learning to ‘bottle’ such operational intuition into quantifiable descriptors using expertly curated measurement-based data. We introduce ‘Materials Expert-Artificial Intelligence’ (ME-AI) to encapsulate and articulate this human intuition. As a first step towards such a program, we focus on the topological semimetal (TSM) among square-net materials as the property inspired by the expert-identified descriptor based on structural information: the tolerance factor. We start by curating a dataset encompassing 12 primary features of 879 square-net materials, using experimental data whenever possible. We then use Dirichlet-based Gaussian process regression using a specialized kernel to reveal composite descriptors for square-net topological semimetals. The ME-AI learned descriptors independently reproduce expert intuition and expand upon it. Specifically, new descriptors point to hypervalency as a critical chemical feature predicting TSM within square-net compounds. Our success with a carefully defined problem points to the ‘machine bottling human insight’ approach as promising for machine learning-aided material discovery.
arxiv情報
著者 | Yanjun Liu,Milena Jovanovic,Krishnanand Mallayya,Wesley J. Maddox,Andrew Gordon Wilson,Sebastian Klemenz,Leslie M. Schoop,Eun-Ah Kim |
発行日 | 2023-12-05 14:29:18+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google