電池は、個人の電子機器から電気自動車、さらには再生可能エネルギーの統合に向けた大規模な電力系統用蓄電システムに至るまで、あらゆるものに電力を供給する基盤技術です。しかし、主にリチウムイオン電池を中心とする現在の電池技術は、性能、安全性、コスト、そしてコバルトのような希少素材への依存という点で、大きな制約に直面しています。したがって、次世代のエネルギー貯蔵を実現するためには、電池材料の革新が鍵となります。

本ウェビナーでは、Schrödinger が、物理ベースの分子モデリングと機械学習力場（MLFF）を組み合わせた統合的な計算アプローチをどのように活用し、電池材料設計における重要な課題に取り組んでいるかをご紹介します。SchrödingerのMLFFにおける最新の進展として、電荷再帰型ニューラルネットワーク（QRNN）や、正確な電荷表現のために明示的な静電相互作用を取り入れた、最近リリースされた反復電荷平衡型メッセージパッシングネットワーク（MPNICE）アーキテクチャをご紹介します。

さらに、MLFFsを活用して、電解質材料（液体、高分子、無機固体電解質）、正極コーティング、および電極材料の構造 や特性を精密にモデル化した、業界に関連するいくつかの事例研究を紹介します。 また、MLFFがどのように大規模シミュレーションを可能にし、科学者がリチウムイオン輸送といった重要な特性に対する欠陥や不均一性の影響を調査できるようにするかについても探求します。これにより、次世代の電池材料や化学組成の効率的な設計への道が開かれます。

ウェビナーの見どころ：

• Schrödinger が、物理ベースのモデリングと機械学習による力場を組み合わせ、電池材料の発見をどのように推進しているか
• SchrödingerQRNNやMPNICEなど、同社の最新のMLFF技術
• 電解質、陰極被膜、および電極材料をモデル化した実例に基づくケーススタディ
• MLFFが、リチウムイオン輸送の解明など、大規模シミュレーションをどのように促進するか