机器学习（ML） 用于改进材料建模的力场

机器学习（ML） 力场（MLFFs），也称为机器学习（ML） 原子间势能，是经典力场与密度泛函理论（DFT ）之间的过渡形式，既保留了前者的线性标度特性，又接近后者的精度水平。 除了在精度与效率/成本之间取得平衡外，MLFFs 还通过使反应性体系的大规模和长期模拟成为可能，从而推动了新的科学见解。这为建模复杂材料体系开辟了道路，而此前使用传统量子方法进行此类建模在计算上是不切实际的。

基于迭代电荷平衡的消息传递网络（MPNICE）是由Schrödinger 开发的一种MLFF架构，该架构提供了涵盖89种元素的多个预训练模型，并显式地纳入了平衡后的原子电荷和长程静电作用。¹ 这一技术进步消除了先前MLFF架构的局限性——即受限于其能够建模的独特原子元素数量。 此外，通过电荷平衡将原子电荷和静电作用纳入模型，不仅能够表征多种电荷态、离子体系和电子响应特性，同时还提高了计算精度。 除了 MPNICE 之外，Schrӧdinger 套件还允许用户使用 Meta 开发的“通用原子模型”（UMA）²。该模型套件精度极高，包含一个在有限系统反应能垒计算方面表现优异的模型，并覆盖了元素周期表中的大部分元素。

通过将最先进的MLFF方法与高性能的OPLS4或OPLS5力场，以及先进的DFT 和分子动力学 (MD) （MD）引擎相结合，Schrödinger 为材料模拟 提供了一个独具优势的强大平台——这使我们成为先进MLFF技术领域的领先合作伙伴。在本应用说明中，我们将介绍来自材料密集型行业的案例研究，包括电池和催化领域。

MLFF的多种应用 

电池：

• 计算液体电解质的体相和输运性质，例如扩散性、粘度和电导率
• 模拟固态电解质和正极涂层材料中的锂离子扩散
• 电解液反应性 模型与SEI的形成

OLED材料：

• 模拟分子堆积和薄膜形态
• 研究掺杂、主客体以及层间相互作用
• 将设备特性与分子系统的静态和动态无序性联系起来
• 促进热机械性能的预测
• 模型电荷与激子输运

Crystal结构预测 ：

• 对有机晶体结构进行排序

表面吸附：

• 在复杂表面的扩展模型中研究多种吸附质的反应性

分子与固态中的反应性：

• 研究反应途径和过渡态
• 加快催化剂设计
• 优化化学反应

聚合物：

• 评估聚合物的动力学性质
• 研究固体聚合物电解质