Machine learning prediction of hydrogen sorption properties of zirconium-titanium based C14 Laves phase AB 2 alloy from chemical composition

기술 요약: Zr-Ti 기반 C14 Laves 상 $AB_2$ 합금의 수소 흡착 특성 머신러닝 예측

문제 정의
고체 상태 수소 저장 및 배터리 응용 분야를 위한 금속 수소화물 설계에는 열역학적 및 구조적 특성에 대한 정밀한 제어가 필요하다. 특히, Zr-Ti 기반 C14 Laves 상 $AB_2$ 합금은 높은 수소 용량과 활성화 특성으로 인해 매우 중요한 관심 대상이다. 그러나 단위 격자 부피($V_{14}$), 수소 흡수 엔탈피($\Delta H$), 수소 흡수 엔트로피($\Delta S$), 평형 플래토 압력($P_{eq}$)과 같은 핵심 수소 흡착 파라미터를 실험적으로 결정하는 것은 자원 집약적인 작업이다. 머신러닝(ML)이 금속 수소화물 예측에 적용되어 왔으나, 기존 데이터베이스는 종종 구식이며, 특정 Laves 상 특성을 예측하기 위한 최적의 입력 피처(feature)에 대한 연구는 아직 충분히 이루어지지 않았다. 본 연구는 화학 조성으로부터 직접 Laves 상의 흡착 특성을 예측하는 견고한 ML 모델을 개발하고, 두 가지 뚜칙한 피처 엔지니어링 접근 방식을 비교함으로써 이 문제를 해결하고자 한다.

방법론
연구진은 학술 문헌에서 추출한 Zr-Ti 기반 $AB_2$ 합금 244개의 항목으로 구성된 큐레이션된 데이터셋을 구축하였다. 데이터셋은 C14 Laves 상이 확인된 합금만을 포함하도록 필터링되었으며, C15 상만 존재하거나 원소 조성의 분산이 불충분한 항목은 제외되었다.

두 가지 범주의 독립 변수(피처)가 체계적으로 비교되었다:

1. 원소 원자 백분율(Element Atomic Percent): 합금의 화학 조성을 직접적으로 나타냄.
2. 특성 기반 변수(Properties-Based Variables): 몰 질량, 벌크 밀도, 몰 부피, 원자 반지름 비, 벌크 탄성계수, 전자 밀도, B/A 사이트 비율 등 조성을 통해 계산된 유도된 물리적 기술자(descriptor).

다변량 선형 회귀(LR), 랜덤 포레스트(RF), 릿지 회귀(Ridge Regression), k-최근접 이웃(KNN), XGBoost의 다섯 가지 머신러닝 알고리즘이 평가되었다. 워크플로우는 다음과 같다:

• 전처리: 저분산 원소(예: Ho, Sn, Al) 제거 및 높은 상관관계를 가진 요소(예: A-사이트 치환에서 중요한 역할을 하는 Ti와 Zr 사이의 상관관계)를 처리함(상관관계가 높더라도 유지함). 데이터는 Min-Max 정규화를 사용하여 스케일링되었다.
• 피처 선택: 각 타겟과 알고리즘에 대해 가장 정보가 많은 변수 하위 집합을 식별하기 위해 전방향 피처 선택(Forward feature selection)이 채택되었다.
• 모델 학습 및 검증: 데이터셋은 80%의 훈련 세트와 20%의 테스트 세트로 분할되었다. 성능은 5-겹 교차 검증(5-fold cross-validation)을 통해 엄격하게 평가되었다.
• 평가 지표: 모델은 결정 계수($R^2$), 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE)를 기준으로 평가되었다.

주요 결과
본 연구는 타겟 변수와 사용된 피처 유형에 따라 뚜렷한 성능 차이를 나타냈다:

• 단위 격자 부피 ($V_{14}$): 가장 성공적으로 예측된 변수였다. 원소 원자 백분율 피처를 사용한 모델이 특성 기반 피처를 사용한 모델보다 성능이 현저히 우수했다. 특히, 단순한 선형 회귀(Linear Regression) 모델이 $R^2$ 값 0.955로 가장 높은 테스트 세트 정확도를 달이트며, XGBoost나 RF와 같은 복잡한 앙상블 방법을 능가했다. 이는 단위 격자 부피와 원소 조성 사이에 지배적인 선형 관계가 존재함을 시사한다. 반면, 특성 기반 피처를 사용한 LR의 테스트 $R^2$는 0.670으로 낮았으나, RF는 0.931을 기록했다.
• 엔탈피 ($\Delta H$) 및 엔트로피 ($\Delta S$): 열역학적 특성 예측은 까다로운 것으로 나타났다.
  • $\Delta H$의 경우, 최적의 검증 $R^2$는 특성 기반 피처를 사용한 RF의 0.561과 원소 기반 피처를 사용한 KNN의 0.531로 중간 수준이었다.
  • $\Delta S$의 경우, 성능이 저조했다. 대부분의 모델이 음수의 검증 $R^2$ 값을 보였는데, 이는 단순 평균 예측보다 성능이 떨짐을 의미한다. 가장 좋은 검증 $R^2$는 원소 기반 피처를 사용한 KNN의 0.218에 불과했다.
• 평형 압력 ($P_{eq}$): 이 변수는 중간 정도의 예측 정확도를 보였다. 최적의 검증 $R^2$는 원소 기반 피처를 사용한 KNN과 XGBoost 모두에서 0.739에 도달했다. 주목할 만한 발견은 $P_{eq}$와 $V_{14}$ 사이의 선형 상관관계가 관찰되었다는 점이며, 이는 단위 격자 부피가 클수록 낮은 평형 압력과 상관관계가 있다는 반트 호프(van't Hoff) 방정식과 일치한다.

기여 및 의의
본 논문은 머신러닝이 화학 조성으로부터 구조적 특성인 단위 격자 부피를 직접 예측함으로써 $AB_2$ 수소 저장 합금 설계를 효과적으로 가속화할 수 있음을 입증한다.

• 피처 효능: 본 연구는 원소의 원자 백분율이 유도된 물리적 특성보다 $V_{14}$ 예측에 더 우수하다는 것을 확립하였는데, 이는 원자 반지름의 변화에 따른 조성의 미세한 차이를 더 잘 나타내기 때문인 것으로 보인다.
• 알고리즘 선택: 결과는 모델의 복잡성이 항상 더 나은 성능을 보장하지는 않는다는 점을 강조한다. $V_{14}$ 예측의 경우 선형 모델이 비선형 앙상블 방법보다 우수한 성능을 보였으며, 이는 기저의 물리적 현상이 원자 반지름과 관련하여 주로 선형적임을 시사한다.
• 한계 및 향후 방향: 저자들은 구조적 특성은 예측 가능하지만, 열역학적 특성($\Delta H, \Delta S$)은 현재의 기술자(descriptor)로 모델링하기 어렵다는 점을 겸허히 결론지었다. 낮은 엔트로피 예측 정확도는 현재의 벌크 특성 기술자가 이러한 값을 결정하는 복잡한 구성적, 진동적, 전자적 기여를 포착하지 못함을 시사한다. 본 논문은 열역학적 흡착 특성을 개선하기 위해 더 발전된 피처 엔지니어링이 필요하다고 제언한다.

요약하자면, 본 연구는 Zr-Ti 기반 Laves 상 합금의 신속한 스크리닝을 위한 데이터 기반 접근 방식의 유용성을 검증하였으며, 구조적 파라미터 예측을 위한 신뢰할 수 있는 경로를 제공하는 동시에 열역학적 예측을 위한 현재 피처 세트의 구체적인 공백을 식별하였다.