[논문]결정그래프 합성곱 인공신경망을 통한 소재의 생성 에너지 예측

이현기; 서동화

doi:10.4313/jkem.2022.35.2.4

결정그래프 합성곱 인공신경망을 통한 소재의 생성 에너지 예측
Prediction of Material's Formation Energy Using Crystal Graph Convolutional Neural Network 원문보기

전기전자재료학회논문지 = Journal of the Korean institute of electronic material engineers, v.35 no.2, 2022년, pp.134 - 142

이현기 (울산과학기술원 에너지화학공학과) , 서동화 (울산과학기술원 에너지화학공학과)

초록
AI-Helper

기존의 시행착오를 거쳐 소재를 개발하는 방법은 조금씩 한계를 보이고 있는데, 왜냐하면 산업과 기술이 고도화되고 기능성 소재가 가져야 하는 특성은 복잡해지면서 그 요구치가 높아지고 있기 때문이다. 이를 극복하기 위해 데이터 기반의 인공신경망으로 복잡한 소재 공간을 빠르게 탐색하여 소재 개발을 가속화하고자 하는 연구들이 진행되고 있다. 특히 결정그래프 합성곱 인공신경망은 결정 소재의 구조에 따른 특성을 학습하는 인공신경망으로 소재의 특성(생성 에너지, 밴드갭, 부피 탄성 계수 등)을 양자역학 기반의 제일원리 계산보다 빠르게 예측한다. 본 논문에서는 46,629개의 결정구조 데이터와 그 생성 에너지를 공공데이터베이스에서 불러와 결정그래프 합성곱 인공신경망 모델을 학습시키고 이를 특성 예측에 적용해 보는 예제를 설명한다. 이를 통해 간단한 프로그래밍 지식으로 소재 특성 예측 모델을 재현해 보고 원하는 데이터 셋과 연구 분야에 적용할 수 있을 것으로 기대된다. 인공지능 모델의 개발은 앞으로 더 복잡한 특성을 가져야만 하는 소재의 개발을 위해 넓은 범위의 소재를 탐색해야만 하는 과정을 획기적으로 단축시켜 소재 개발의 가속화를 촉진시킬 것으로 생각된다.

Abstract ▼ AI-Helper

As industry and technology go through advancement, it is hard to search new materials which satisfy various standards through conventional trial-and-error based research methods. Crystal Graph Convolutional Neural Network(CGCNN) is a neural network which uses material's features as train data, and predicts the material properties(formation energy, bandgap, etc.) much faster than first-principles calculation. This report introduces how to train the CGCNN model which predicts the formation energy using open database. It is anticipated that with a simple programming skill, readers could construct a model using their data and purpose. Developing machine learning model for materials science is going to help researchers who should explore large chemical and structural space to discover materials efficiently.

주제어

표/그림 (12)

그림 Fig. 1. Schematic diagram to show how Artificial Intelligence(AI) solve a problem.
그림 Fig. 3. Figure to show concatenation vector z, convolution layer and pooling layer.
그림 Fig. 2. (a) Schematic of Crystal Graph Convolutional Neural Network(CGCNN) . Reproduced with permission. [12] Copyright 2018, American Physical Society and (b) an example of one-hot encoding of nickel element in CGCNN model.
그림 Fig. 4. Type of layers and their number in CGCNN model and dimension of weight and bias in the layers.
그림 Fig. 5. (a) Configuration of CGCNN directory, (b) a flowchart of CGCNN, and (c) a result of CGCNN model predicting material's formation energy per atom.
그림 Fig. 6. Getting API from MP.
그림 Fig. 7. Setting runtime type to GPU option to accelerate computation.
그림 Fig. 8. Collecting formation energy data from MP and preprocessing of the data.
그림 Fig. 9. Modifying data.py in CGCNN package to read json file containing cif files.
그림 Fig. 10. Training model with the hyperparameter and result of model training.
그림 Fig. 11. Plotting result from test_result.csv which is made from testing data.
그림 Fig. 12. (a) Class activation map attached to the final layer of the proposed CNN model. Licensed under CC BY 4.0 [15,16] (b) effect on energy above hull by A site and (c) B site element in perovskite structure (ABX₃). Reproduced with permission. [12] Copyright 2018, American Physical Society.

참고문헌 (16)

H. Min, D. Y. Lee, J. Kim, G. Kim, K. S. Lee, J. Kim, M. J. Paik, Y. K. Kim, K. S. Kim, M. G. Kim, T. J. Shin, and S. Il Seok, Nature, 598, 444 (2021). [DOI: https://doi.org/10.1038/s41586-021-03964-8]

상세보기
B. wook Park, H. W. Kwon, Y. Lee, D. Y. Lee, M. G. Kim, G. Kim, K. jeong Kim, Y. K. Kim, J. Im, T. J. Shin, and S. Il Seok, Nat. Energy, 6, 848 (2021). [DOI: https://doi.org/10.1038/s41560-021-00844-3]

상세보기
M. Yoon, Y. Dong, J. Hwang, J. Sung, H. Cha, K. Ahn, Y. Huang, S. J. Kang, J. Li, and J. Cho, Nat. Energy, 6, 362 (2021). [DOI: https://doi.org/10.1038/s41560-021-00782-0]

상세보기
Z. L. Xu, J. Park, J. Wang, H. Moon, G. Yoon, J. Lim, Y. J. Ko, S. P. Cho, S. Y. Lee, and K. Kang, Nat. Commun., 12, 3369 (2021). [DOI: https://doi.org/10.1038/s41467-021-23703-x]

상세보기
S. B. Ma, H. J. Kwon, M. Kim, S. M. Bak, H. Lee, S. N. Ehrlich, J. J. Cho, D. Im, and D. H. Seo, Adv. Energy Mater., 10, 2001767 (2020). [DOI: https://doi.org/10.1002/aenm.202001767]

상세보기
F. Hase, L. M. Roch, C. Kreisbeck, and A. Aspuru-Guzik, ACS Cent. Sci., 4, 1134 (2018). [DOI: https://doi.org/10.1021/acscentsci.8b00307]

상세보기
B. J. Shields, J. Stevens, J. Li, M. Parasram, F. Damani, J. I. M. Alvarado, J. M. Janey, R. P. Adams, and A. G. Doyle, Nature, 590, 89 (2021). [DOI: https://doi.org/10.1038/s41586-021-03213-y]

상세보기
A. D. Sendek, E. D. Cubuk, E. R. Antoniuk, G. Cheon, Y. Cui, and E. J. Reed, Chem. Mater., 31, 342 (2019). [DOI: https://doi.org/10.1021/acs.chemmater.8b03272]

상세보기
A. Seko, A. Togo, H. Hayashi, K. Tsuda, L. Chaput, and I. Tanaka, Phys. Rev. Lett., 115, 205901 (2015). [DOI: https://doi.org/10.1103/Phys RevLett.115.205901]

상세보기
D. Xue, P. V. Balachandran, J. Hogden, J. Theiler, D. Xue, and T. Lookman, Nat. Commun., 7, 11241 (2016). [DOI: https://doi.org/10.1038/ncomms11241]

상세보기
K. T. Schutt, H. Glawe, F. Brockherde, A. Sanna, K. R. Muller, and E. K. U. Gross, Phys. Rev. B, 89, 205118 (2014). [DOI: https://doi.org/10.1103/PhysRevB.89.205118]

상세보기
T. Xie and J. C. Grossman, Phys. Rev. Lett., 120, 145301 (2018). [DOI: https://doi.org/10.1103/PhysRevLett.120.145301]

상세보기
K. Bang, B. C. Yeo, D. Kim, S. S. Han, and H. M. Lee, Sci. Rep., 11, 11604 (2021). [DOI: https://doi.org/10.1038/s41598-021-91068-8]

상세보기
S. P. Ong, S. Cholia, A. Jain, M. Brafman, D. Gunter, G. Ceder, and K. A. Persson, Comput. Mater. Sci., 97, 209 (2015). [DOI: https://doi.org/10.1016/j.commatsci.2014.10.037]

상세보기
B. Zhou, A. Khosla, A. Lapedriza, A. Oliva, and A. Torralba Proc. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (IEEE, Las Vegas, USA, 2016) p. 2921. [DOI: https://doi.org/10.1109/cvpr.2016.319]
Y.C. Ko, S.Y. Wey, W.T. Chen, Y.F. Chang, M.J. Chen, S.H. Chiou, C.J.L. Liu, C.Y. Lee, PLoS ONE, 15 (2020). [DOI: https://doi.org/10.1371/journal.pone.0233079]

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증