部分的に監督学習を用いた結晶の構造ベースの合成可能性予測

科学分野:

• 材料科学
• コンピュータ化学
• 機械学習

背景:

• 非有機物質の合成可能性を予測することは,加速された材料の発見に不可欠です.
• 熱力学的分解の安定性は一般的なが限られた予測因子であり,多くの場合,候補物質が多すぎたり,メタステーブルな物質が欠けたりする.
• 材料の合成可能性は熱力学的安定性以外の要因によって影響される複雑な現象である.

研究 の 目的:

• 非有機物質合成の確率を定量化するための機械学習モデルを開発する.
• 伝統的な熱力学的方法と比較して合成可能性の予測の精度を向上させる.
• 合理的な材料設計のためのデータ主導のメトリックを提供し,実験的探査スペースを減らす.

主な方法:

• ポジティブ・アンラベル (PU) 学習を用いた部分的に監督された学習アプローチを実装した.
• グラフコンボリュショナルニューラルネットワークを,クリスタル類似度スコア (CLscore) を生成する分類器として利用した.
• 最近の発見を含む実験的に報告された材料の大規模なデータベースでモデルを訓練し,検証しました.

主要な成果:

• このモデルは,Materials Project の 9356 つの材料のテストセットで 87.4% の真の正の予測精度を達成しました.
• 新しく報告された材料 (2015年−2019年) の検証では,86.2%の真の陽性率を示した.
• CLscoreは,E_hullの能力を超えた合成可能な構造モチーフをキャプチャし,トップスコアの仮想材料の71%が以前に合成されています.

結論:

• 開発された機械学習モデル (CLscore) は,素材の合成能力を効果的に定量化します.
• このデータ駆動メトリックは,高通量仮想スクリーニングと材料発見のための生成モデルを大幅に強化します.
• CLscoreは,実験的な検索スペースを縮小することで,より合理的な材料設計を容易にする.