超伝導体のTcを機械学習で予測する論文を追試してみる
【イントロ】 近年深層学習を始めとしたAI技術の発展が著しく、基礎、応用研究の両面で活用が進められています[1]。 特にAI技術の材料科学への適用はマテリアルインフォマティクスと呼ばれ、新規材料の発見や生産プロセスの最適化への活用が進められています[2]。 機械学習の導入による新規材料の開発が求められている分野の1つが、超伝導体材料開発の分野です。より高温で超伝導状態となる物質の開発のため、日夜様々な研究がなされています[3]。 そこで本記事では、機械学習により物質の超伝導転移温度(Tc)を予測することを試みた論文の追試を行った結果をまとめてみました。 【方法】 参考にした論文は、Kam Hamidiehによる論文” A Data-Driven Statistical Model for Predicting the Critical Temperature of a Superconductor”[4]です。一番簡単そうだったことと、著者が使用したデータを公開していたことが、こちらの論文を参考にした理由です。 この論文では、以下のデータ、手法を用いて、超伝導体の構成元素の物性値からそのTcを予測するモデルを提案しています。 データ：NIMSの超伝導データベース 手法：XGBoost 使用している物性値は次のとおりです(図1)。 図1、使用された物性値 また、物性値に以下の処理を加え、特徴量エンジニアリングを行っています(図2)。 図2、特徴量エンジニアリングの方法 追試としては、Scikit-learnを用いた決定木による回帰モデルによる上記論文の再現を目的としました。使用したコードは、Githubリポジトリ[5]に保管しています。データセットは「data_source」ファイルに記載している論文の参考HPページ[4]に情報があります。 論文[4]の解説と実装もそちらのHPに記載されているのでご参考ください。 【結果】 決定木を用いて予測したTcと実際のTcの関係は以下の通りです。R2値は0.85程度となり、比較的強い正の相関を示しています(図3)。 図3、決定木によるTcの予測値と実測値 一方、論文で示された値はR2＝0.92程度となっており、XGBoostの方が相関が強く出ていることが見て取れます(...