快速、精准且可调：借助Schrödinger的机器学习（ML） 力场技术推动电池材料创新

问题：

开发新一代储能解决方案需要对复杂的多尺度现象有深入的理解——从电解质中的离子传输到固态电解质界面层（SEI）的反应性形成。 从历史上看，研究人员一直被迫在两种极端之间做出选择：要么采用密度泛函理论（DFT ），虽然精度高但计算成本高昂；要么采用经典力场，虽然速度快，却往往缺乏捕捉反应事件或复杂化学过程所需的“物理机制”。这种“模拟 ”的差距延迟了产品上市时间，并限制了对广阔化学空间 的探索能力。

解决方案：

本次网络研讨会将介绍Schrödinger公司最先进的机器学习（ML） 力场（MLFF）框架，该框架采用了MPNICE（带迭代电荷平衡的消息传递网络）和QRNN（电荷递归神经网络）架构。通过将基于物理理论 建模的精度与机器学习（ML） 的革命性速度相结合，Schrödinger 提供了一种“两全其美”的解决方案，消除了传统方法中的权衡取舍。 我们将通过现场演示，展示MLFFs在准确建模复杂系统（包括液态和固态电解质）中的应用。

主要亮点：

• 高效运行：利用Desmond 等GPU加速引擎来加速分子动力学（MD）模拟，从而能够对电解液配方 和阴极涂层等复杂系统进行精确建模
• 大规模近DFT 精度：在模拟大型系统时，于以往仅适用于经典分子动力学（MD）的时间尺度上，实现能量和力预测的量子级精度
• 无与伦比的可调性：与“黑箱”模型不同，Schrödinger的 MLFF 模型具有高度的可定制性，使研究人员能够将显式静电作用和迭代电荷平衡机制纳入其中，从而以高保真度对离子液体和电池界面进行建模
• 无缝易用性：集成式 集成于直观的Schrödinger 材料科学平台中，这些工具使用户无需具备机器学习（ML） 方面的专业知识，即可部署先进的数字工作流程