Materials Map Integrating Experimental and Computational Data through Graph-Based Machine Learning for Enhanced Materials Discovery

要約

材料科学とデータサイエンスの統合から生じる材料情報学（MI）は、材料の発見と開発を大幅に合理化することが期待されています。
MIに使用されるデータは、計算研究と実験的研究の両方から取得されますが、統合は依然として困難です。
以前の調査では、実験データセットに隠された傾向を計算データベースに保存された構成データにキャプチャする機械学習モデルを適用することにより、これらのデータセットの統合を報告しました。
この研究では、得られたデータを使用して、材料マップの構造の関係を視覚化する材料マップを構築し、実験的研究者による研究をサポートすることを目的としています。
このマップは、Matdeeplearn（MDL）フレームワークを使用して構築されており、マップ構造の材料構造、深い学習、および寸法削減のグラフベースの表現を実装しています。
統計分析を通じて得られた材料マップを評価し、メッセージ通過ニューラルネットワーク（MPNN）を使用してMDLが材料の構造的複雑さを反映する特徴を効率的に抽出できることを発見しました。
さらに、この利点は、必ずしも材料特性の予測における精度の向上につながるとは限らないことがわかりました。
この予期せぬ結果は、MPNNに固有の高学習パフォーマンスに起因するものであり、マテリアルマップ内のデータポイントの構造化に寄与する可能性があります。

要約(オリジナル)

Materials informatics (MI), which emerges from the integration of materials science and data science, is expected to greatly streamline the material discovery and development. The data used for MI are obtained from both computational and experimental studies, while their integration remains challenging. In our previous study, we reported the integration of these datasets by applying a machine learning model that captures trends hidden in the experimental datasets to compositional data stored in the computational database. In this study, we use the obtained data to construct materials maps, which visualize the relation in the structural features of materials, aiming to support study by the experimental researchers. The map is constructed using the MatDeepLearn (MDL) framework, which implements the graph-based representation of material structures, deep learning, and dimensional reduction for the map construction. We evaluate the obtained materials maps through statistical analysis and found that the MDL using message passing neural network (MPNN) enables efficient extraction of features that reflect the structural complexity of materials. Moreover, we found that this advantage does not necessarily translate into improved accuracy in predicting material properties. We attribute this unexpected outcome to the high learning performance inherent in MPNN, which can contribute to the structuring of data points within the materials map.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google