複雑合金におけるマルチラベル相図予測：物理インフォームド・グラフ注意ネットワーク

arXiv cs.LG / 2026/4/21

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

本論文は、Ag–Bi–Cu–Sn合金の組成–温度空間でマルチラベルの相集合を高速に予測するために、物理インフォームドなグラフ注意ネットワーク（GAT）を提案し、CALPHADの高い計算コストとサンプリングの疎さという課題に対処します。
各組成–温度点は、元素をノードとする小規模なグラフ（原子分率と元素記述子をノード特徴に使用）として表現され、グラフ注意、プーリング、MLPにより9つの関連相を予測します。
熱力学的制約を、学習時のペナルティとして、または推論時の射影として組み込むことで、予測される相平衡の物理的一貫性を高めます。
pycalphadで生成した平衡データ（約2.5万状態）で評価した結果、ベースラインはmacro-F1 = 0.951、完全一致（exact-set match）93.98%を達成し、物理インフォームドなデコードにより緻密な同一領域グリッドで完全一致精度が約96%に向上します。
さらに未見の三元系セクション（完全一致99.32%）および700°Cでの四元系試験（91.78%）にも汎化でき、相図の高解像度マッピングと外挿的な合金スクリーニングへの適用可能性を示します。

Abstract

正確な相平衡は、安定性、相変態、プロセシングウィンドウを支配する基礎的な熱力学を符号化するため、合金設計の基盤となるものです。しかし、相図の計算（CALculation of Phase Diagrams: CALPHAD）は厳密な熱力学的枠組みを提供する一方で、多成分の組成‐温度空間を探索することは計算コストが高く、一般に疎な断面に限られがちです。迅速な相マッピングと合金スクリーニングを可能にするために、本研究では、元素に着目した表現を学習し、それを熱力学的制約と結合して、Ag-Bi-Cu-Sn合金系におけるマルチラベルの相集合予測を行う、物理情報を取り入れたグラフ注意ネットワーク（GAT）を提案します。pycalphadで生成した約25,000の平衡状態を用い、各組成‐温度点は4ノードの元素グラフとして表現し、ノード特徴には原子分率と元素記述子を用います。モデルはグラフ注意、グローバルプーリング、そして多層パーセプトロンを組み合わせて、9つの関連する相を予測します。物理的整合性を高めるために、熱力学的制約を学習時の訓練ペナルティとして、あるいは推論時の射影として組み込みます。6つの二元および3つの三元サブシステムにおいて、ベースラインモデルはマクロF1スコア0.951、正確な集合一致（exact-set match）が93.98%を達成し、物理情報を取り入れたデコーディングにより頑健性が向上し、正確な集合一致精度が高密度のインドメイン格子上で約96%まで向上します。さらに、そのサロゲートは、未見の三元断面で正確な集合一致精度99.32%を達成し、また700 {}Cの四元断面でも精度91.78%を達成します。これらの結果は、注意機構に基づくグラフ学習と熱力学的制約の強制を組み合わせることで、高解像度の相マッピングおよび外挿的な合金スクリーニングに対して、有効で物理的に整合したサロゲートを提供できることを示しています。