Evaluation of GlassNet for physics-informed machine learning of glass stability and glass-forming ability

要約

ガラスは多くの現代アプリケーションの基礎を形成しており、将来の医療および環境アプリケーションにも大きな可能性を秘めています。
ただし、構造が複雑で構成スペースが大きいため、特定の用途では設計と最適化が困難になります。
ガラス加工にとって特に重要なのは、特定の組成のガラス形成能力 (GFA) の推定値です。
しかし、特に酸化物ガラスにおけるガラス形成の物理的メカニズムに関しては、多くの未解決の疑問が残されています。
GFA の代理がガラスの加工や設計に非常に役立つことは明らかですが、そのような代理の特性を特定すること自体が難しいことが判明しています。
ここでは、ガラス安定性 (GS) の計算に必要な特性温度を予測し、これらの物理情報に基づく ML (PIML) で予測された GS の使用の実現可能性を評価できる、オープンソースの事前トレーニング済み NN モデル GlassNet のアプリケーションを調査します。
GFA を推定するためのパラメータ。
その際、元の ML 予測誤差から GS 推定中の誤差の複合化、そして最終的に GFA の最終推定に至るまで、計算の各ステップにおける不確実性を追跡します。
GlassNet はすべての個別のプロパティに対して妥当な精度を示しますが、GS の予測に関してこれらの個別の予測を組み合わせると誤差が大きく複合化することが観察され、ランダム フォレスト モデルが GlassNet と同様の精度を提供することがわかりました。
また、さまざまなガラスファミリーでの ML パフォーマンスを分析し、GS 予測の誤差が結晶化ピーク温度予測の誤差と相関していることを発見しました。
最後に、この発見を利用して、ホウケイ酸ナトリウムガラスとリン酸鉄ナトリウムガラスという 2 つの三元ガラス系の最高性能の GS パラメータと GFA の関係を評価します。
GFA の真の ML 予測機能を得るには、さらに多くのデータを収集する必要があると結論付けています。

要約(オリジナル)

Glasses form the basis of many modern applications and also hold great potential for future medical and environmental applications. However, their structural complexity and large composition space make design and optimization challenging for certain applications. Of particular importance for glass processing is an estimate of a given composition’s glass-forming ability (GFA). However, there remain many open questions regarding the physical mechanisms of glass formation, especially in oxide glasses. It is apparent that a proxy for GFA would be highly useful in glass processing and design, but identifying such a surrogate property has proven itself to be difficult. Here, we explore the application of an open-source pre-trained NN model, GlassNet, that can predict the characteristic temperatures necessary to compute glass stability (GS) and assess the feasibility of using these physics-informed ML (PIML)-predicted GS parameters to estimate GFA. In doing so, we track the uncertainties at each step of the computation – from the original ML prediction errors, to the compounding of errors during GS estimation, and finally to the final estimation of GFA. While GlassNet exhibits reasonable accuracy on all individual properties, we observe a large compounding of error in the combination of these individual predictions for the prediction of GS, finding that random forest models offer similar accuracy to GlassNet. We also breakdown the ML performance on different glass families and find that the error in GS prediction is correlated with the error in crystallization peak temperature prediction. Lastly, we utilize this finding to assess the relationship between top-performing GS parameters and GFA for two ternary glass systems: sodium borosilicate and sodium iron phosphate glasses. We conclude that to obtain true ML predictive capability of GFA, significantly more data needs to be collected.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google