MT-CGCNN: 다중태스크 학습을 통합한 결정 그래프 컨벌루션 신경망을 이용한 재료 특성 예측

정확하고 전이 가능하며 계산 비용이 저렴한 머신 러닝 모델을 개발하면 새로운 재료의 발견과 개발을 급속히 가속화할 수 있습니다. 이러한 모델을 개발하는 주요 과제 중 일부는 (i) 다른 분야에 비해 재료 데이터의 제한적인 활용 가능성, (ii) 다양한 재료 특성을 예측하기 위한 보편적인 재료 설명자 부족 등이 있습니다. 재료 데이터의 제한적인 활용 가능성은 전이 학습을 통해 해결할 수 있으며, 일반적인 표현은 최근 Xie와 Grossman [1]에 의해 해결되었습니다. 그들은 결정 그래프 컨볼루션 신경망(CGCNN)을 개발하여 결정의 통합된 표현을 제공하였습니다. 본 연구에서는 CGCNN과 다중 작업(MT) 학습 기반의 전이 학습을 결합하여 새로운 모델(MT-CGCNN)을 개발하였습니다. 우리는 MT-CGCNN의 효과를 다양한 무기재료(46,774개의 재료)에 대한 형성 에너지, 밴드갭 및 페르미 에너지 등의 여러 재료 특성을 동시에 예측함으로써 입증하였습니다. MT-CGCNN은 상관 관계가 있는 특성에 대해 최대 8%까지 테스트 오류를 줄일 수 있습니다. 훈련 데이터가 10% 감소하더라도 CGCNN보다 낮은 테스트 오류를 보이는 모델 예측 결과를 얻었습니다. 또한 우리는 금속/비금속 분류와 관련된 최종 사용자 시나리오 예측을 통해 우리의 모델 성능이 우수함을 입증하였습니다. 이러한 결과는 새로운 재료 발견에서 언급된 과제들을 해결하기 위해 다중 작업 학습을 활용하는 머신 러닝 접근 방식의 추가 개발을 격려합니다. 우리는 MT-CGCNN의 소스 코드를 공개하여 재현 가능한 연구를 촉진하고자 합니다.