빠르고, 정확하며, 조정 가능: Schrödinger의 ‘ 머신러닝 ’ 포스 필드를 통한 배터리 소재 혁신의 발전

문제:

차세대 에너지 저장 솔루션을 개발하려면 전해질 내 이온 수송부터 고체-전해질 계면(SEI)의 반응성 형성에 이르기까지, 복잡하고 다중 스케일의 현상에 대한 깊은 이해가 필요합니다. 그동안 연구자들은 두 가지 극단 중 하나를 선택할 수밖에 없었습니다. 하나는 정확도는 높지만 계산 비용이 지나치게 많이 드는 밀도 함수 이론(DFT)이고, 다른 하나는 반응 현상이나 복잡한 화학 반응을 포착하는 데 필요한 ‘물리학적 원리’가 종종 결여된 고전적 힘장의 속도였습니다. 이러한 ‘시뮬레이션 격차’는 제품 출시 시기를 지연시키고 방대한 화학 공간을 탐구하는 능력을 제한합니다.

해결책:

이 웨비나에서는 Schrödinger의 최첨단 다중층 유동 유동장( 머신러닝 , MLFF) 프레임워크를 소개하며, 여기에는 MPNICE(반복적 전하 평형화를 갖춘 메시지 전달 네트워크, Message Passing Network with Iterative Charge Equilibration) 및 QRNN(전하 재귀 신경망, Charge Recursive Neural Network) 아키텍처가 포함됩니다. 물리 기반 모델링의 정확성과 머신러닝 의 획기적인 속도를 결합한 Schrödinger 는 기존의 상충 관계를 해소하는 “두 가지 장점을 모두 갖춘” 솔루션을 제공합니다. 이번 발표에서는 액체 및 고체 전해질을 포함한 복잡한 시스템의 정확한 모델링을 위한 MLFFs의 적용 사례를 보여주는 라이브 데모를 시연할 예정입니다.

주요 내용:

• 빠른 처리 효율: Desmond 와 같은 GPU 가속 엔진을 활용하여 분자 동역학(MD) 시뮬레이션을 가속화함으로써, 전해질 조성 및 음극 코팅과 같은 복잡한 시스템을 정확하게 모델링할 수 있습니다.
• 대규모 시뮬레이션에서 근사 양자 역학(Near-DFT ) 수준의 정확도: 기존에는 고전 분자 동역학(MD)에만 적용되던 시간 척도에서 대규모 시스템을 시뮬레이션하면서도 에너지 및 힘 예측에 있어 양자 수준의 정밀도를 달성합니다.
• 탁월한 조정성: “블랙박스” 모델과 달리, Schrödinger의 MLFF는 높은 수준의 맞춤 설정이 가능하여, 연구자들이 명시적 정전기력 및 반복적 전하 평형화를 반영함으로써 이온성 액체와 배터리 계면을 높은 정확도로 모델링할 수 있습니다.
• 원활한 사용성: 직관적인 ‘ Schrödinger ’ 재료 과학 플랫폼에 통합된 이 도구들을 통해 사용자는 ‘ 머신러닝 ’에 대한 전문 지식 없이도 고급 디지털 워크플로를 구축할 수 있습니다.