Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning

기술 요약: 해석 가능한 머신러닝을 이용한 다성분 합금의 데이터 기반 예측 및 분류

문제 정의
첨단 금속 합금 설계는 여러 합금 원소 간의 복잡하고 비선형적인 상호작용으로 인해 어려움을 겪고 있으며, 이는 전통적인 "시행착오(trial-and-error)" 방식이 비용이 많이 들고 시간이 오래 걸리게 만든다. 머신러닝(ML)이 재료 발견을 위한 도구로 부상했음에도 불구하고, 문헌에는 중요한 격차가 존재한다: 기존의 많은 모델은 물리적 해석 가능성보다 예측 정밀도를 우선시하는 "블랙박스" 형태로 작동한다. 또한, 단일한 해석 가능한 프레임워크 내에서 다중 출력 회귀, 이진 성능 분류, 그리고 비지도 학습 기반의 조성 매핑을 통합하여 수행한 연구는 드물다. 본 연구는 물리적 충실도를 희생하지 않으면서도 합금 스크리닝을 가속화할 수 있는 견고하고 투명한 예측 시스템의 필요성을 다루며, 특히 원소 조성만을 입력값으로 사용하여 기계적 성질과 열적 성질을 동시에 예측하는 데 초점을 맞춘다.

방법론
저자들은 2,672개의 다성분 합금 시스템 데이터셋에 적용되는 통합된 해석 가능 머신러닝 프레임워크를 개발하였다. 데이터셋은 31개의 원소 특징(중량 퍼센트)을 포함하며, 두 가지 타겟 물성인 인장 강도(UTS)와 액상선 온도(Liquidus Temperature)를 포함한다. 특히, 저자들은 모델링 전 소스 저장소의 UTS 단위(psi vs. MPa)에 관한 레이블 불일치를 수정하였다.

워크플로우는 세 가지 주요 분석 단계로 구성된다:

1. 다중 출력 회귀 (Multi-Output Regression): RF(Random Forest) 회귀 모델을 사용하여 UTS와 액상 온도를 동시에 예측하였다. 이는 선형 회귀(Linear Regression) 및 그래디언트 부스팅(Gradient Boosting) 베이스라인과 비교 검증되었다. 모델은 300개의 estimator를 사용하였으며, 80:20 훈련-테스트 분할 및 5-겹 교차 검증(5-fold cross-validation)을 통해 평가되었다.
2. 이진 분류 (Binary Classification): 로지스틱 회귀(Logistic Regression) 분류기를 훈련시켜, 두 물성(UTS 및 액상 온도) 모두에서 데이터셋 중앙값을 초과하는 "고성능(High-Performance)" 합금을 식별하도록 하였다. 이 접근 방식은 원소의 영향력을 결정하기 위해 계수 크기를 직접 분석할 수 있는 해석 가능성을 위해 선택되었다.
3. 비지도 클러스터링 (Unsupervised Clustering): 잠재적인 합금 패밀리를 식별하기 위해 전체 31차원 표준화된 특징 공간에서 K-평균(K-Means) 클러스터링을 수행하였다. 주성분 분석(PCA)은 클러스터링 자체를 위한 것이 아니라, 클러스터를 2차원으로 시각화하기 위한 목적으로만 엄격하게 적용되었다.

해석 가능성 및 검증
모델이 물리적으로 근거 있는 통찰을 제공하도록 보장하기 위해, 본 연구는 다각적인 해석 가능성 전략을 채택하였다:

• 특징 중요도 (Feature Importance): 원소 기여도를 순위 매기기 위해 평균 불순도 감소(MDI)와 순열 중요도(Permutation Importance)를 사용하였다.
• 설명 가능한 AI (XAI): 개별 예측에 대한 각 원소의 영향력 크기와 방향을 정량화하기 위해 SHAP(SHapley Additive exPlanations) 분석을 적용하였다.
• 견고성 (Robustness): 프레임워크에는 분류 임계값에 대한 민감도 분석과 과적합을 평가하기 위한 학습 곡선(learning curve) 분석이 포함되었다.

주요 결과

• 회귀 성능: Random Forest 회귀 모델은 테스트 $R^2$ 0.848과 5-겹 교차 검증 $R^2$ 0.849 $\pm$ 0.017을 달성하였으며, 이는 선형 회귀($R^2 = 0.512$) 및 그래디언트 부스팅($R^2 = 0.787$)을 크게 상회하는 수치이다. 모델은 일반적인 UTS 범위보다 고-UTS 합금에서 우수한 성능($R^2 = 0.728$)을 보였으나, 조성적 이질성이 높은 범위에서는 음수의 $R^2$ ($-0.464$)를 기록하였는데, 이는 다양한 합금 패밀리가 존재하는 범위에서 모델이 평균으로 회귀했음을 나타낸다.
• 분류 성능: 로지스틱 회귀 분류기는 82%의 전체 정확도와 0.871의 AUC를 달성하였다. 그러나 클래스 불균형(표준 합금 74.3% 대 고성능 합금 25.7%)으로 인해, 고성능 합금에 대한 재현율(recall)은 표준 합금(0.95)에 비해 낮은 0.46을 기록하였다.
• 원소 동인 (Elemental Drivers): 교차 검증된 해석 가능성 분석(순열 중요도 및 SHAP)을 통해 **바나듐(V)**이 UTS 예측에 가장 영향력 있는 원소임을 확인하였으며, 그 뒤를 철(Fe), 텅스텐(W), 탄소(C)가 이었다. 이러한 결과는 Fe, Cr, Ni에 대한 전통적인 금속학적 강조를 넘어, 침탄 경화 및 탄화물 형성에 있어 V의 역할을 강조한다.
• 합금 패밀리: K-평균 클러스터링은 세 가지 뚜렷한 합금 패밀리를 드러냈다:
  • 클러스터 0: 낮은 Fe (61.8%), 매우 낮은 C (0.08%)를 특징으로 하며, 스테인리스강 또는 다성분 합금일 가능성이 높다.
  • 클러스터 1: 높은 Fe (93.9%), 중간 정도의 C (0.42%)를 특징으로 하며, 고성능 합금의 비율이 가장 높은(35.9%) 탄소강/저합금강을 나타낸다.
  • 클러스터 2: 극단적인 탄소 함량 (2.98%)과 매우 높은 UTS (1,112 MPa)를 가진 11개의 합금 그룹으로, 고탄소 공구강 또는 주철을 나타낸다.

의의 및 주장
본 논문은 가속화된 합금 스크리닝 및 데이터 기반 재료 발견을 위한 확장 가능하고 해석 가능한 토대를 제공한다고 주장한다. 회귀, 분류, 클러스터링을 통합함으로써, 본 프레임-워크는 광범적인 실험적 시도 없이도 신속한 조성 스크리닝, 성능 예측 및 패밀리 식별을 가능하게 한다.

저자들은 바나듐을 지배적인 조성 동인으로 식별한 것이 철계 시스템의 강도를 개선하기 위한 물리적으로 유의미한 설계 신호를 제공한다는 점을 강조한다. 저자들은 본 프레임워크가 정밀한 패밀리 내부의 물성 예측보다는 신속한 조성 스크리닝 및 패밀리 수준의 경향성 식별에 가장 적합하다고 주장하며, 특히 공정 이력(열처리, 냉각 속도, 변형)이 물성의 주요 결정 요인인 합금의 경우 그러하다. 본 연구는 현재의 조성 전용 모델이 광범한 스크리닝에는 효과적이지만, 향로 작업은 공정 파라미터를 통합하고 예측 불확실성을 해결하기 위한 패밀리별 하위 모델을 개발해야 한다고 결론짓는다.