不確実性を考慮した多目的スクリーニングによる A2BB′X6(X = F, Cl, Br, I)ダブルペロブスカイトのバンドギャップと熱力学的安定性の機械学習
Machine Learning of Band Gaps and Thermodynamic Stability in A2BB′X6 (X = F, Cl, Br, I) Double Perovskites with Uncertainty-Aware Multi-Objective Screening
A2BB′X6 ダブルペロブスカイトは、電子特性と熱力学的安定性を同時に考慮するスクリーニング戦略を必要とする。本研究では、カノニカル式グループ化、ロバスト性テスト、記述子コスト分析、予測不確実性を統合した、漏洩制御型機械学習ワークフローを開発した。データセットは 398 の記述子で表される 1975 の Materials Project エントリを含む。Extra Trees は MAE 0.2031 eV、R2 0.9437 でバンドギャップを予測し、ヒストグラム勾配ブースティングは MAE 0.02122 eV atom−1、R2 0.8601 でハルエネルギーを予測した。安定性分類器は ROC-AUC 0.9603、PR-AUC 0.9632、MCC 0.8192 を達成した。39 の緩和構造記述子を除去するとハルエネルギー MAE が約 12.5% 増加し、組成ベースのトリアージと構造情報に基づいた洗練の 2 段階ワークフローが支持された。化学分布シフトテストにより、実質的な性能低下が明らかになり、適用範囲が定義された。スクリーニング基準を満たした 17 の化合物は、将来の発見ではなく、過去の回収を表す。1 つの Tier-1 候補と 2 つの代表的な Tier-2 フッ化物に対するパス固有フォノン計算では、L–Γ–X–W に沿って虚数モードは示されなかったが、完全ゾーンの動的安定性を確立するには至らなかった。それらの HSE06+SOC ギャップは 2.148–2.919 eV で、元の 1.0–2.0 eV のウィンドウを超えており、多忠実度検証の必要性が強調された。全体として、このワークフローは、ダブルペロブスカイトを優先および検証するための再現可能で明確に定義された戦略を提供する。
- A2BB′X6 ダブルペロブスカイトを対象に、リーク制御・記述子コスト分析・予測不確実性を統合した機械学習ワークフローを開発(1975 Materials Project エントリ、398記述子)
- Extra Trees がバンドギャップを MAE 0.2031 eV・R2 0.9437 で予測、ヒストグラム勾配ブースティングがハルエネルギーを MAE 0.02122 eV atom−1・R2 0.8601 で予測、安定性分類器は ROC-AUC 0.9603・MCC 0.8192 を達成
- 39の緩和構造記述子を除去するとハルエネルギーMAEが約12.5%増加し、組成ベースのトリアージと構造ベースの洗練という2段階ワークフローが支持された
- スクリーニング基準を満たした17化合物は将来の発見ではなく過去の回収であり、化学分布シフトテストで実質的な性能低下が確認され適用範囲が定義された
- 1つのTier-1候補と2つのTier-2フッ化物のパス固有フォノン計算ではL–Γ–X–Wに沿った虚数モードは示されず、HSE06+SOCギャップは2.148–2.919 eVと当初の1.0–2.0 eV窓を超過、多忠実度検証の必要性が示された
ダブルペロブスカイトの材料探索に、不確実性とリーク制御を組み込んだ機械学習ワークフローを適用した研究。バンドギャップ予測 MAE 0.2031 eV、安定性分類 ROC-AUC 0.9603 といった具体的な精度が示され、候補17化合物を絞り込んでいる点はMI基盤の材料探索の実用度を測る材料になる。ただし著者自身が「17化合物は将来の発見ではなく過去の回収」と明言し、HSE06+SOCで2.148–2.919 eVと当初の1.0–2.0 eV窓を外れたことは、予測モデルの適用範囲の限界を示す。材料探索AIへの投資判断では、予測精度よりも多忠実度検証と適用範囲の明確化を評価軸にすべきと読める。