電池材料インフォマティクス

機械学習とデータサイエンスを活用した材料探索の理論と実践

←
教材を選ぶ(物性予測)
このページの目次
PROP

物性予測

マテインフォと計算化学

本ページは雑記であり、後々体裁を整える予定です。

マインドセット

最先端の手法を学んだところで、それが研究の助けになるとは限りません。成否の鍵は、準備と目的の明確さにあります。

重要な前提条件

  1. 広範な文献調査:同じ研究分野の実験系・計算系の論文を徹底的に調査します。結果だけでなく、手法がどのような論理的枠組みで適用されたかを理解します。これはどんな研究にも共通することです。
  2. 明確な目的:どのような手法が必要で、その結果から何が言えるのかを、正確に説明できるようにします。
  3. 結果の予測:既存の文献と理論の理解に基づいて、結果をあらかじめ予測します(博士課程の学生向け)。
  4. パラメータの調査:適切な計算条件のパラメータを文献から調査します。

構造特徴量に基づくイオン伝導率予測

概要

ロジスティック回帰により、構造特徴量と組成特徴量を用いて40個の新たな高イオン導電体が同定されました。高イオン導電率が予測された化合物にはLi3ErCl6も含まれているため、ある程度妥当な結果と考えられます。

Sendek et al.の研究(Energy Environ. Sci., 2017, 10, 306の続報)

研究プロセス

研究は次の手順で進められています。

  1. Materials Project (MP)から12000構造を抽出します
  2. 遷移金属を含まないこと(TMフリー)、コスト、安定性の観点から、電解質候補として317化合物に絞り込みます
  3. ロジスティック回帰で、高イオン導電率(0.1 mS cm-1以上)を示すかどうかを推定します

構造特徴量の定義

用いられた構造特徴量は次の通りです。

  • LLB (Li-Li Bond): Liに隣接するLiサイト数の平均
  • SBI (Sublattice Bond Ionicity): 副格子の結合のイオン性(ionicity)の平均値
  • AFC (Average Framework Cation): アニオンの平均配位数
  • LASD (Li-Anion Site Distance): Liとアニオンの平均原子間距離
  • LLSD (Li-Li Site Distance): Li-Li間の平均原子間距離

結果

その結果、21化合物が高イオン導電体として同定されました。これら21構造の特性をDFTMDで評価したところ、10構造で室温導電率10-4 S cm-1を達成しています。

この論文の趣旨:MLで推薦した化合物とランダム推定の比較

ランダムに推定するよりも、MLで推薦した化合物のほうが高い確率で高イオン導電体を発見できることが示されています。

構造MLと組成MLの比較研究

この研究では、40化合物からなる小規模なデータセットを準備し、構造特徴量に基づくsML(structure-based ML)と、組成特徴量に基づくcML(composition-based ML)を比較しています。双方で予測された構造についてDFTMDで答え合わせを行ったところ、正確性はsML > eMLでした。

さらに、転移学習も活用しています。まずsMLを用いて、導電率が未知の組成のイオン導電率を予測します。次に、こうして得られた多量の予測イオン導電率(sML)を教師データとしてeMLで学習することで、esMLを構築しています。予測精度はsML > esML > eMLの順となりました。esMLで予測されたイオン導電体については、実験による検証が待たれるところです(コメント)。


アンサンブル学習器による酸化物イオン導電体予測

この研究では、組成や構造に基づくハンドクラフトの特徴量を用いたPLS学習器、SOAPカーネルを用いたリッジ回帰学習器、BVS(Bond Valence Sum)を用いた学習器という3種類の弱学習器を平均したアンサンブル学習器を作成しています。データセットとしては29化合物の700 °Cにおける酸化物イオン導電率を準備しており、アンサンブル学習器によって若干の精度向上が確認されています。

組成と構造に基づく特徴量としては、単位格子内のbvs_pathの割合(min_bvs, min_rbvs)、歪み(カチオン-アニオン間の結合長の偏差)、原子密度、酸素密度、RDF(Radial Distribution Function)の偏差、その他のRDF関連の情報、構造中のボイドに関する情報が用いられています。さらに、ICSDのデータ中で高イオン導電率が予測された化合物を対象に実験による検証を行い、8種類の高イオン導電体を発見しています。


Li-Zn-O-X系の研究

この研究では、Li-Zn-O-X系の約400構造を対象としています。特徴量にはビニングした組成と構造特徴量を用い、400構造のEmig(migration energy)を回帰学習しています。手法としてはPLS(Partial Least Squares)とGBR(Gradient Boosting Regression)を使用しており、O-OペアのRDFがEmigと最もよく相関することが示されています。


Olivine構造に限定した研究例

この研究はOlivine構造に限定したもので、LiのMigration energyと凝集エネルギーを目的変数としています。凝集エネルギーは、1辺20 Åの真空セル中に置いた孤立原子を基準として定義されています。凝集エネルギーに着目している点が面白く、イオン化エネルギーも含んではいますが、結合エネルギーをおおまかに表しているのかもしれません(コメント)。特徴量には一般的な組成と構造の特徴量を用い、拡散障壁の低いOlivineを予測しています。

NASICON/LISICON系の研究

この研究では、訓練データとしてNASICON 70件、テストデータとしてNASICON+LISICON 57件を用いています。手法はロジスティック回帰で、導電率の閾値は10-6 S cm-1です。47個の構造・組成特徴量から出発し、最終的に7個まで特徴量を削減しています。手法の性質上、逆問題を解くことはできませんが、材料の設計指針が提示されています。

XRDパターンを用いたクラスター分析による高イオン導電体探索

この研究は、クラスター分析によって高イオン導電性化合物のXRDパターンを分類する手法です。この手法により、既報のLiZnPS4が再発見されたほか、Li6KBiO6が発見されました。Li6ABiO6 (A=Rb)については、後に高イオン導電率が報告されています。さらに、高イオン導電性化合物を含むXRDクラスターに対してDFTMDを実施し、数個の高イオン導電体を新たに発見しています。


自動NEBによる研究

この研究は、自動NEB(緩和ありと緩和なしの遷移状態(TS)探索)を用いてMPの構造をスクリーニングしたものです。ただし、すべての構造を計算しているわけではありません。活性化障壁は、拡散するカチオン(または異種アニオン)とフッ素の間のイオン半径のオーバーラップの差と相関することが示されています。これはBV(Bond Valence)法にも似た発想です。ただし、提案された構造が本当に有望な伝導体かどうかには疑問が残ります(コメント)。


softBVによるスクリーニング

この研究では、softBVでスクリーニングを行った後に回帰学習を行い、permutation importanceを計算しています。その結果、SPF (sublattice packing fraction)とキャリア数が有効な特徴量であることが示されています。

なお、Matminerには類似の特徴量としてMaximumPackingEfficiencyがあります。これは、ボロノイ分割を用いて、各原子が隣接原子のいずれかに接触するまでに取りうる最大の半径を求め、その最大半径から構造の最大充填率を特徴量として計算するものです。


組成ベースの機械学習(Composition-based machine learning)

Gaussian Process Regression

組成のみに基づく探索の一例として、15組成を初期値として準備し、Gaussian process regressionで提案された高イオン導電率の組成を実験的に探索した研究があります。ただし、結果的には混相が得られています。

ペロブスカイトの組成最適化研究

ペロブスカイトに限定して7200件の導電率データを収集し、Aサイト、Bサイト、ドーパントの組成特徴量から、プロトン、酸化物イオン、電子の伝導率を予測した研究もあります。