高速、高精度、かつ調整可能：Schrödingerの機械学習による力場を用いて、電池材料のイノベーションを推進

問題：

次世代のエネルギー貯蔵ソリューションの開発には、電解質中のイオン輸送から固体電解質界面（SEI）の反応的形成に至るまで、複雑で多スケールにわたる現象を深く理解することが求められます。 これまで、研究者たちは二つの極端な選択肢のいずれかを選ばざるを得ませんでした。一つは、高精度ではあるものの計算コストが法外な密度汲み上げ理論（DFT ）、もう一つは、反応事象や複雑な化学反応を捉えるために必要な「物理的本質」をしばしば欠くものの、計算速度に優れる古典力場です。この「シミュレーションのギャップ」は、市場投入までの時間を遅らせ、広大な化合物空間 を探索する能力を制限しています。

解決策：

このウェビナーでは、Schrödingerの最先端の機械学習力場（MLFF）フレームワークを紹介します。このフレームワークは、MPNICE（反復電荷平衡化を伴うメッセージパッシングネットワーク）およびQRNN（電荷再帰型ニューラルネットワーク）アーキテクチャを特徴としています。物理ベースのモデリングの精度と、機械学習がもたらす画期的な処理速度を組み合わせることで、Schrödinger は従来のトレードオフを解消する「両者の長所を兼ね備えた」ソリューションを提供します。 本セッションでは、液体および固体電解質を含む複雑なシステムの正確なモデリングに向けたMLFFの応用例を、ライブデモを通じてご紹介します。

主なポイント：

• 高速かつ高効率：Desmond などのGPU加速エンジンを活用して分子動力学（MD）シミュレーションを高速化し、電解液の配合や正極コーティングといった複雑なシステムの正確なモデリングを実現します
• DFT に迫る精度を大規模に実現：従来は古典分子動力学（MD）に限定されていた時間スケールで大規模系をシミュレーションしながら、エネルギーおよび力の予測において量子レベルの精度を達成
• 比類なき調整性：「ブラックボックス」モデルとは異なり、SchrödingerのMLFFは高度にカスタマイズ可能であり、研究者は明示的な静電作用や反復的な電荷平衡を組み込むことで、イオン液体や電池界面を高精度でモデル化することができます。
• シームレスな使いやすさ：直感的な「Schrödinger Materials Science」プラットフォームに統合されたこれらのツールにより、ユーザーは機械学習の専門知識がなくても、高度なデジタルワークフローを導入することができます。