ウェビナー

高速、高精度、かつ調整可能:Schrödingerの機械学習力場によるバッテリー材料イノベーションの推進

カレンダー日時
  • 2026年5月12日
  • 15:00 CEST | 14:00 BST | 18:30 IST | 9:00 EDT
所在地所在地
  • バーチャル

登録に問題が生じた場合は、marketing@schrodinger.com までメールでお問い合わせください。

登録

課題:

次世代エネルギー貯蔵ソリューションの開発には、電解質中のイオン移動から固体電解質界面(SEI)の反応性形成に至るまで、複雑なマルチスケール現象に対する深い理解が求められます。これまで研究者は、密度汎関数法(DFT)が持つ高い精度だが法外な計算コストか、あるいは反応性イベントや複雑な化学特性の捉え方に必要な「物理」を欠くことが多い古典力学場の速度の、2つの極端な選択肢を余儀なくされてきました。この「シミュレーションギャップ」が市場投入までの時間を遅らせ、広大な化合物空間を探索する能力を制限しています。

解決策:

本ウェビナーでは、MPNICE(Message Passing Network with Iterative Charge Equilibration)およびQRNN(Charge Recursive Neural Network)アーキテクチャを搭載した、Schrödingerの最先端機械学習力場(MLFF)フレームワークを紹介します。物理ベースモデリングの精度と機械学習の革新的な速度を組み合わせることで、Schrödingerは従来のトレードオフを解消する「両者の長所を兼ね備えた」ソリューションを提供します。液体電解質や固体電解質などの複雑なシステムの高精度なモデリングにおけるMLFFの応用事例を示すライブデモを行います。

主なハイライト:

  • 迅速な効率性:DesmondなどのGPUアクセラレーテッドエンジンを活用してMDシミュレーションを加速し、電解液組成やカソードコーティングなどの複雑なシステムの正確なモデリングを実現
  • スケールにおけるDFTに近い精度:エネルギーおよび力の予測において量子レベルの精度を達成しつつ、従来は古典MDに限定されていた時間スケールで大規模システムのシミュレーションを実行
  • 比類のないチューニング性:「ブラックボックス」モデルとは異なり、SchrödingerのMLFFはカスタマイズ性が高く、明示的な静電相互作用と反復電荷平衡化を組み込んでイオン液体やバッテリー界面を忠実にモデリングすることが可能
  • シームレスな操作性:直感的なSchrödinger Materials Scienceプラットフォームに統合されており、機械学習の専門知識がなくても高度なデジタルワークフローを展開可能

登壇者

Garvit Agarwal

Schrödinger エネルギー貯蔵材料科学グループ サイエンティフィックリード

Garvit Agarwalは、Schrödingerのエネルギー貯蔵部門のシニアサイエンティスト兼サイエンティフィックリードであり、次世代クリーンエネルギー技術の迅速な発見に向けた分子モデリングツールの拡張と適用に取り組んでいます。コネチカット大学で材料科学および工学のPh.D.を取得。Schrödingerの材料科学チームに加わる前は、アルゴンヌ国立研究所の材料科学部門でポスドク研究員として勤務していました。

登録