材料モデリングの精度向上に向けた機械学習を用いた力場

機械学習力場（MLFF）は、機械学習原子間ポテンシャルとも呼ばれ、古典的な力場と密度汎関数理論（DFT ）の中間的な位置づけにあり、前者の線形スケーリングを維持しつつ、後者の精度に近づけるものです。 精度と効率／コストのバランスに加え、MLFFは反応性系における大規模かつ長期にわたるシミュレーションを可能にすることで、新たな科学的知見をもたらしています。これにより、従来の量子計算法では計算上の制約から扱えなかった複雑な材料系のモデリングが可能になりました。

反復電荷平衡法を用いたメッセージパッシングネットワーク（MPNICE）は、Schrödinger によって開発されたMLFFアーキテクチャであり、89種類の元素を網羅する複数の事前学習済みモデルが利用可能で、平衡化された原子電荷と長距離静電相互作用を明示的に組み込んでいる。1 この技術的進歩により、モデル化できる固有の原子元素の数に制限があった従来のMLFFの欠点が解消された。 さらに、電荷平衡化を通じて原子電荷と静電相互作用を取り入れたことで、複数の電荷状態、イオン系、および電子応答特性の表現が可能となり、同時に精度も向上しました。 MPNICE に加え、Schrӧdinger スイートでは、Meta で開発された Universal Models for Atoms (UMA)² も利用できます。このモデルスイートは極めて高い精度を誇り、有限系における反応障壁高に対して良好な性能を発揮するモデルを含み、周期表の大部分を網羅しています。

Schrödinger は、最先端のMLFF手法と高性能なOPLS4またはOPLS5力場、さらには高度なDFT および分子動力学（MD）エンジンを統合することで、材料シミュレーションのための他に類を見ない強力なプラットフォームを提供しており、これにより当社は先進的なMLFF技術におけるトップパートナーとしての地位を確立しています。本アプリケーションノートでは、電池や触媒など、材料を多用する産業における事例研究を紹介します。

MLFFの多様な用途 

電池：

• 液体電解質の拡散、粘度、導電率などのバルク特性および輸送特性を算出する
• 固体電解質および正極被覆材料におけるリチウムイオンの拡散をシミュレーションする
• 電解質の反応性とSEIの形成のモデル化

OLED材料：

• 分子の充填状態および薄膜の形態をシミュレーションする
• ドーピング、ホスト・ゲスト相互作用、および層間相互作用の調査
• デバイスの特性を分子系の静的および動的な無秩序と関連付ける
• 熱機械的特性の予測を容易にする
• モデル電荷および励起子輸送

クリスタル・構造 の予想：

• 有機結晶構造の順位付け

表面への吸着：

• 複雑な表面の拡張モデルにおける複数の吸着質の反応性を研究する

分子および固体状態における反応性：

• 反応経路と遷移状態を調査する
• 触媒設計の迅速化
• 化学反応を最適化する

高分子：

• 高分子の動的特性を評価する
• 固体高分子電解質について調査する