Physics-guided auxiliary multi-task learning for temperature-dependent thermoelectric 𝑧𝑇 curve prediction

技術要約：温度依存的な熱電 $zT$ 曲線の予測に向けた、物理ガイド型補助マルチタスク学習

問題提起
熱電性能は、無次元性能指数 $zT = S^2\sigma T / \kappa$ によって決定される。ここで、$S$ はゼーベック係数、$\sigma$ は電気伝導率、$\kappa$ は熱伝導率である。これらの特性は強く結合しており、温度依存性を持つ。$zT(T)$ の最大値の大きさ、位置、および幅は、材料の有用な動作ウィンドウを決定する。しかし、異なる装置を用いた高密度な温度測定を必要とするため、包括的な実験的特性評価は労力を要する。機械学習（ML）は発見を加速する手段を提供するが、既存のアプローチは点的な予測に依存しているか、あるいは輸送係数（$S, \sigma, \kappa$）と派生指標（$PF, zT$）の間の物理的一貫性を考慮できていないことが多い。さらに、標準的なランダム分割では、同一材料の温度データが訓練セットとテストセットの両方に現れるデータリークが発生し、未知の材料に対する真の汎化性能を評価できなくなる可能性がある。

手法
著者は、化学組成と温度から完全な温度依存曲線を描くために設計された、$zT$ 最優先・物理ガイド型補助マルチタスク学習フレームワークを提案している。

• データキュレーションと表現:

  • 文献およびデータベースから、755の組成定義材料および270の元素系（275–1275 K）からなる4,222の観測値を集めた精選データセットを構築した。
  • 厳格な一貫性チェックを実施した：報告された $PF$ および $zT$ の値が、$S, \sigma, \kappa, T$ から再計算された値と一致するか検証した。不一致が $PF$ で1%超、$zT$ で5%超の場合、調査を行い、一律に再計算されたラベルを使用した。
  • 特徴量: 132個の Magpie 組成記述子を、分散フィルタリング、相関フィルタリング（$|r| > 0.95$）、および主成分分析（PCA）を通じて96個の主成分に削減した。
  • 温度エンコーディング: 温度を正規化し、非線形な依存性を捉えるためにフーリエエンコーディング（4つの周波数）を用いて拡張した。

• ネットワークアーキテクチャ:

  • 共有トランクと5つのタスク固有のヘッドを持つマルチタスクニューラルネットワーク。
  • 入力: 96次元の組成ベクトルと9次元のフーリエ温度ベクトルを結合したもの。
  • 出力: $S, \sigma, \kappa, PF, zT$ の同時予測。
  • 補助 vs 主要: すべての特性が予測されるが、$zT$ ヘッドが主要タスクであり、他の特性は補助的な教師信号として機能する。

• 学習戦略と物理ガイド:

  • 2段階最適化:
    • ステージ1: バランスの取れたタスク重みを用いて、共有マルチプロパティ学習を促進する。
    • ステージ2: 補助的な重みを減少させ、$zT$ への最適化を集中させる。
  • 高-$zT$ 再重み付け: 不均衡な連続回帰に対処するため、高性能領域（70パーセンタイル以上）を強調する滑らかな損失重み関数を用い、高-$zT$ の観測値に対して重みを約1から約3へと増加させた。
  • 動的な物理的一貫性: $S, \sigma, \kappa$ から $PF$ と $zT$ を再構成する熱電関係式（$\hat{PF}_{phys} = \hat{S}^2\hat{\sigma}$、$\hat{zT}_{phys} = \hat{PF}_{phys}T/\hat{\kappa}$）を用いて、モデルの出力を検証する。直接予測値とこれらの再構成値との間に一貫性ペナルティ（対数空間での Smooth L1 損失）を適用する。このペナルティは、補助ヘッドが安定する前に強い物理的制約を課しすぎないよう、コサインアニーリング（30エポック）を用いて段階的に導入される。
  • 曲線平滑化: 予測される $zT$ 曲線の大きな二階差分を抑制するために、弱い正則化を適用し、根拠のない局所的な振動を抑える。

• 評価プロトコル:

  • 材料グループ化分割: 特定の材料に関するすべての温度ポイントを同じフォールドに保持することで、データリークを防ぎ、未知の材料に対する真の汎化性能を確保する。
  • アンサンブル: 予測を平均化し、学習された応答を安定させるために、10個のシード（シード 42–51）によるアンサンブルを使用する。
  • 指標: 点的な指標（MAE, RMSE, $R^2$）および曲線レベルの指標（ピーク $zT$ 誤差、ピーク温度誤差）による評価を行う。

主な貢献

1. $zT$ 最優先フレームワーク: 結合された輸送特性（$S, \sigma, \kappa$）を補助タスクとして活用しながら、スクリーニングにおいて重要な指標である $zT$ を明示的に優先する、新しいマルチタスクアーキテクチャ。
2. 漸進的な物理ガイド学習: 直接的な $zT$ 予測と物理的に再構成された値を結合させる動的な一貫性ペナルティを導入することで、学習初期の不安定化を避けつつ、モデルが熱電関係を遵守するようにした。
3. 厳格なデータキュレーション: 文献由来のデータと、物理法則に対する明示的な単位チェックおよび一貫性検証を統合したワークフローにより、曲線予測のための高品質なデータセットを作成した。
4. 材料レベルの汎化: 材料を分離したクロスバリデーションと、文献由来の曲線を用いた外部検証を用いることで、補間を超えた真の汎化能力を実証した。

結果

• 学習性能: 10個のシードによるアンサンブルは、訓練セットにおいて $R^2 = 0.9563$ ($PF$) および $R^2 = 0.9405$ ($zT$) を達成した。直接出力と物理再構成出力は密接に一致していた（対数空間の MAE は $PF$ で 0.0399、 $zT$ で 0.0441）。
• 汎化性能（Out-of-Fold）: 10分割の材料グループ化クロスバリデーションにおいて、モデルは $R^2 = 0.8927$ ($PF$) および $R^2 = 0.8765$ ($zT$) を達成した。$zT$ の MAE は 0.0764、RMSE は 0.1166 であった。ピーク $zT$ の MAE は 0.1141、ピーク温度の MAE は 14.07 K であった。
• 外部検証: 4つの文献由来の材料（BaSnS$_3$, Na$_2$InCuF$_6$, LaOBiS$_2$, MgI$_2$Bi$_2$S$_3$、計24データポイント）に対し、モデルは全体で $R^2 = 0.9755$、MAE = 0.0128、RMSE = 0.0198 を達成した。
• 曲線予測: モデルは、275–1275 K の範囲における未知の材料の温度依存傾向、ピーク位置、および大きさを正確に再現した。

意義
本論文は、このワークフローが熱電材料のスクリーニングのための信頼できる組成ベースのサロゲート（代理モデル）となることを主張している。$zT$ を優先し、物理的一貫性を強制することで、本モデルは詳細な結晶構造情報を必要とせずに、候補物質のランキングや動作ウィンドウの選択（最大性能を示す温度範囲の特定）を支援できる。本研究は、物理的制約とマルチタスク学習を統合することで、組成から複雑で温度依存的な輸送特性への橋渡しを効果的に行えることを示しており、熱電分野におけるマテリアルズ・インフォマティクスへの実用的なツールを提供している。