머신러닝 향상된 재료 모델링을 위한 힘장

머신러닝 머신러닝 (MLFF)라고도 알려진 힘장(force fields)은 고전적 힘장과 밀도 함수 이론( )의 중간 단계에 해당하며, 전자의 선형 스케일링을 유지하면서 후자의 정확도에 근접하고 있습니다. 정확성과 효율성/비용의 균형을 넘어, MLFF는 반응성 시스템에 대한 대규모 및 장기간 시뮬레이션을 가능하게 함으로써 새로운 과학적 통찰력을 제공하고 있습니다. 이는 기존 양자 기법으로는 계산상 실현이 어려웠던 복잡한 물질 시스템을 모델링할 수 있는 길을 열어줍니다.DFT

반복적 전하 평형화 기법을 적용한 메시지 전달 네트워크(MPNICE)는 Schrödinger 에서 개발한 MLFF 아키텍처로, 89개 원소에 걸쳐 여러 개의 사전 훈련된 모델을 제공하며, 평형화된 원자 전하와 장거리 정전기력을 명시적으로 반영합니다.1 이러한 기술적 진보는 모델링할 수 있는 고유 원소 수에 제한을 받았던 기존 MLFF의 단점을 해소했습니다. 또한, 전하 평형을 통해 원자 전하와 정전기력을 포함시킴으로써 여러 전하 상태, 이온계 및 전자 반응 특성을 표현할 수 있게 되었으며, 동시에 정확도도 향상되었습니다. MPNICE 외에도 Schrӳödinger 제품군을 통해 사용자는 Meta에서 개발한 UMA(Universal Models for Atoms)²를 활용할 수 있습니다. 이 모델 제품군은 매우 높은 정확도를 제공하며, 유한 시스템의 반응 장벽 높이에 대해 우수한 성능을 보이는 모델을 포함하고, 주기율표의 대부분을 포괄합니다.

Schrödinger 는 최첨단 MLFF 기법을 고성능 OPLS4 또는 OPLS5 힘장, 그리고 첨단 분자 동역학( DFT ) 및 분자 동역학( 분자동역학 , MD) 엔진과 통합함으로써, 재료 시뮬레이션을 위한 독보적으로 강력한 플랫폼을 제공하며, 이를 통해 당사는 첨단 MLFF 기술 분야의 선도적인 파트너로 자리매김하고 있습니다. 이 애플리케이션 노트에서는 배터리 및 촉매 분야를 비롯한 재료 집약적 산업 분야의 사례 연구를 소개합니다.

MLFF의 다양한 응용 분야 

배터리:

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

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

결정 구조 예측:

• 순위별 유기 결정 구조

표면에서의 흡착:

• 복잡한 표면의 확장 모델에서 다중 흡착질의 반응성을 연구한다

분자 및 고체 상태에서의 반응성:

• 반응 경로와 전이 상태를 조사한다
• 촉매 설계 가속화
• 화학 반응 최적화

고분자:

• 고분자의 동적 특성 평가
• 고체 고분자 전해질에 대한 연구