전 세계 모든 Schrödinger 사무소는 휴식과 재충전을 위한 전사적 조치의 일환으로 8월 17일부터 21일까지 일주일간 휴무합니다. 이 기간 동안 문의에 대한 답변이 제한될 수 있으니 양해 부탁드립니다. 과학 및 기술 지원팀 직원들은 긴급 지원 문의에 한해 대응할 예정입니다.

MS 포스 필드의 응용 분야

정확한 물성 예측을 위한 최첨단 힘장 기술

MS 포스 필드의 응용 분야

MS Force Field Applications(MS FF Applications)에는 Schrödinger에서 널리 사용되는 OPLS4 및 새로운 OPLS5 힘장뿐만 아니라, 다양한 물성 예측 워크플로우를 위한 Schrödinger 의 모든머신러닝 힘장(MLFF)에 대한 접근 권한을 제공합니다. Schrödinger 는 사용자가 보다 정확하고 신뢰할 수 있는 모델링 결과를 얻을 수 있도록 힘장 분야의 혁신을 선도하기 위해 최선을 다하고 있습니다.

새로운 소식: 

  • OPLS5: 드루데(Drude) 진동자를 추가하여 분극률을 명시적으로 다루고 있어, 양이온-파이(π) 상호작용을 정확하게 모델링하고, 전하를 띤 계에 대한 수소 결합을 더욱 정확하게 처리할 수 있습니다.
  • MPNICE: 다중 원자 전하 평형( 머신러닝 ) 힘장은, 반복적 전하 평형( 머신러닝 ) 원자간 잠재력으로도 알려져 있으며, 고전적 힘장과 비선형 힘장( DFT) 사이의 중간 단계에 해당합니다. 이는 전자의 선형 스케일링을 유지하면서 후자의 정확도에 근접합니다. 반복적 전하 평형을 갖춘 메시지 전달 네트워크(MPNICE)는 Schrödinger 에서 개발한 MLFF 아키텍처로, 89개 원소를 포괄하는 여러 사전 훈련된 모델을 제공하며, 평형화된 원자 전하와 장거리 정전기력을 명시적으로 반영합니다.
  • 미세 조정: MPNICE 및 UMA와 같은 아키텍처는 탁월한 일반화 능력을 제공하지만, 특화된 시스템에서 높은 정밀도의 정확도를 달성하려면 종종 양자역학적 데이터를 통해 모델을 맞춤 조정해야 합니다. MS FF Applications는 Jaguar 또는 Quantum Espresso 에서 제공하는 양자 역학적 분산 함수( DFT ) 계산을 활용하여 MPNICE 모델을 미세 조정할 수 있는 직관적이고 자동화된 인터페이스를 제공합니다. 이를 통해 재료 과학 워크플로우 및 솔루션 전반에 걸쳐 원활하게 통합되는, 애플리케이션별 맞춤형 MLFF를 개발할 수 있습니다.
  • 3D ML 모델을 위한 MPNICE 임베딩: MLFF의 내부 레이어는 화학 공간과 3D 원자 배열에 대한 정교하고 치밀한 매핑을 포함하고 있습니다. 이러한 잠재 표현을 활용함으로써, MPNICE 임베딩을 통해 3D 좌표로부터 직접 머신러닝 모델을 구축할 수 있습니다. 이를 통해 주기적 및 비주기적 구조를 아우르는 유기, 무기 및 하이브리드 시스템 전반에 걸쳐 고정밀도 예측 모델을 생성할 수 있습니다.
배경 패턴

MLFF의 장점

DFT 에 근접한 정확도를 유지하면서 계산 시간을 수십 배 단축
다음과 같은 GPU 가속 분자동역학 옵션 Desmond
89개의 원소를 아우르는 방대한 화학적 공간
유기물, 무기물 및 하이브리드 소재에 특화된 힘장이며, 미세 조정 기능이 추가되었습니다.

주요 역량

배터리

  • 액체 전해질의 확산, 점도, 전도도 등의 부피 및 수송 특성을 계산한다
  • 고체 전해질 및 음극 코팅 재료 내 리튬 이온 확산 시뮬레이션
  • 전해질 반응성 및 SEI 형성 모델링

고분자

  • 고분자의 동적 특성 평가
  • 고체 고분자 전해질 연구

표면에서의 흡착

  •  복잡한 표면의 확장 모델에서 다중 흡착질의 반응성을 연구한다

결정 구조 예측

  • 순위별 유기 결정 구조

OLED 소재

  • 분자 배열 및 박막 형태 시뮬레이션 
  • 도핑, 호스트-게스트 및 층간 상호작용 연구
  • 분자 계의 정적 및 동적 무질서와 장치 특성을 연관 짓는다
  • 열역학적 및 기계적 특성 예측을 용이하게 한다
  • 모델 전하 및 엑시톤 수송

사례 연구 및 웨비나

Schrödinger 기술이 실제 연구 과제를 해결하는 데 어떻게 활용되고 있는지 알아보세요.

재료과학 웨비나

충전 상태를 고려한 머신러닝 힘장을 활용한 배터리 소재 혁신 추진

이번 웨비나에서는 Schrödinger 가 물리 기반 분자모델링 과 기계 학습 기반 힘장( 머신러닝 , MLFFs)을 결합한 통합 계산 접근법을 활용하여 배터리 소재 설계의 주요 과제를 해결하는 방법을 시연할 예정입니다.

재료과학 웨비나

재료 과학 응용을 위한 머신러닝 힘장 발전: MPNICE의 최신 기능 소개

슈뢰딩거가 개발한 최첨단 MLFF 아키텍처인 ‘MPNICE(Message Passing Network with Iterative Charge Equilibration)’를 소개합니다.

재료과학 웨비나

재료 과학 응용을 위한 ‘ 머신러닝 ’ 힘장의 발전

이번 웨비나에서는 정확한 전하 표현을 위해 명시적 정전기학을 도입한, ‘ Schrödinger’의 최첨단 MLFF 아키텍처인 ‘반복적 전하 평형화 기능을 갖춘 메시지 전달 네트워크(MPNICE)’를 소개합니다.

문서 및 튜토리얼

Schrödinger의 소프트웨어 사용과 관련된 자주 묻는 질문에 대한 답변을 확인하고, 모범 사례를 알아보세요.

재료과학 튜토리얼

머신러닝 MPNICE 임베딩을 사용하여

MPNICE Embedding을 활용하여 머신러닝 모델을 구축, 분석 및 적용하는 방법을 배워보세요.

재료과학 튜토리얼

머신러닝 힘장의 미세 조정

사전 학습된 기계 학습 기반 힘장( 머신러닝 , MLFF) 모델을 미세 조정하여 2차원 물질의 격자 매개변수를 연구하는 방법을 배워보세요.

재료과학 튜토리얼

표면상의 흡착 부위 파악

표면상의 흡착 부위를 찾는 방법을 알아보세요.

재료과학 문서화

머신러닝 힘장

머신러닝 힘장(MLFF)은 임의의 계의 에너지를 예측하는 새로운 접근법을 제시한다.

재료과학 간편 참조표

MLFF 계산: 빠른 참조표

머신러닝 힘장을 사용하는 시스템에 대한 양자역학적 계산을 예측하기 위한 MLFF 계산 패널에 대한 개요를 확인해 보세요.

재료과학 튜토리얼

머신러닝 힘장

머신러닝 의 힘장 최적화 기법을 활용하여 다양한 시스템을 준비하고 시뮬레이션하는 방법을 알아보세요.

관련 상품

OPLS4

정밀한 분자 시뮬레이션을 위한 현대적이고 포괄적인 힘장

Desmond

높은 확장성, 처리량 및 과학적 정확도를 제공하는 고성능 분자동역학 (MD) 엔진

포스 필드 빌더

OPLS4에서 사용자 정의 비틀림 매개변수를 최적화하는 효율적인 도구

MS Maestro

신소재 발굴을 위한 완벽한 모델링 환경

Jaguar

분자 구조 및 성질을 신속하고 정확하게 예측하기 위한 양자역학적 해결책

Quantum ESPRESSO 인터페이스

나노 규모 양자역학 시뮬레이션을 위한 통합 그래픽 사용자 인터페이스

간행물

재료과학 출판물

액체 및 물질 특성을 위한 효율적인 장거리 머신러닝 력장

재료과학 출판물

고처리량 분자 시뮬레이션 및 머신러닝 를 활용한 화학 혼합물 설계

재료과학 출판물

재료 특성 예측의 발전: 점도 예측을 위한 물리 기반 머신러닝 모델의 활용

재료과학 출판물

머신러닝 리튬 이온 배터리용 고체 전해질 계면 구조 후보들의 힘장 순위

MS Force Field 애플리케이션 데모 예약하기

MLFF를 활용하여 귀사의 R&D 과제를 해결할 수 있는 방법에 대해 논의해 보시려면 지금 바로 문의해 주십시오.

위의 목록에서 관심 있는 분야를 찾지 못하셨나요? 저희가 도와드릴 수 있도록 연락해 주세요.

양식이 제출되었습니다

감사합니다. 곧 연락드리겠습니다.

조직의 요구 사항을 충족시키는 소프트웨어 및 서비스

소프트웨어 플랫폼

물리 기반 분자모델링, 머신러닝 및 팀 협업을 기반으로 한 포괄적이고 사용자 친화적인 플랫폼을 통해 디지털 물질 탐색 워크플로를 구축하십시오.

연구 지원 서비스

Schrödinger의 전문 계산 과학자들의 역량을 활용하여 귀사의 신소재 발굴 및 개발 과정의 핵심 단계에서 지원을 받으십시오.

지원 및 교육

초보자와 숙련된 사용자 모두를 위해 마련된 전문가 지원, 교육 자료 및 교육 리소스를 이용하세요.