배터리는 우리 주변의 개인용 전자기기부터 전기차, 나아가 재생에너지 통합을 위한 대규모 전력망 저장 시스템에 이르기까지 모든 것에 전력을 공급하는 핵심 기술입니다. 그러나 주로 리튬이온 배터리로 대표되는 현재의 배터리 기술은 성능, 안전성, 비용 측면에서 상당한 한계를 보이고 있으며, 코발트와 같은 희소 자원에 대한 의존도도 높습니다. 따라서 배터리 소재 분야의 혁신은 차세대 에너지 저장 기술을 실현하는 열쇠입니다.

이번 웨비나에서는 Schrödinger 가 물리 기반 전하-전하 상호작용( 분자모델링 )과 기계 학습 기반 힘장( 머신러닝 , MLFF)을 결합한 통합 계산 접근법을 활용하여 배터리 소재 설계의 주요 과제를 해결하는 방법을 시연할 예정입니다. 또한, 정확한 전하 표현을 위해 명시적 정전기학을 통합한 전하 재귀 신경망(QRNN) 및 최근 출시된 반복적 전하 평형(Iterative Charge Equilibration)을 적용한 메시지 전달 네트워크(MPNICE) 아키텍처를 특징으로 하는, Schrödinger의 MLFF 분야 최신 발전 사항을 소개할 예정입니다.

또한, 전해질 소재(액체, 고분자, 무기 고체 전해질), 음극 코팅 및 전극 소재의 구조와 특성을 정밀하게 모델링하기 위해 MLFF를 적용한 사례를 중심으로, 업계와 관련된 여러 사례 연구를 소개할 예정입니다. 또한 MLFF가 대규모 시뮬레이션을 어떻게 용이하게 하여 과학자들이 리튬 이온 수송과 같은 핵심 특성에 대한 결함 및 이질성의 영향을 조사할 수 있게 함으로써, 차세대 배터리 소재 및 화학 시스템의 효율적인 설계에 기여하는 방안을 탐구할 예정입니다.

웨비나 주요 내용:

• Schrödinger 가 물리 기반 모델링과 머신러닝 의 힘장을 결합하여 배터리 소재 발굴을 주도하는 방식
• SchrödingerQRNN 및 MPNICE를 포함한 ’의 최신 MLFF 기술
• 전해질, 음극 코팅 및 전극 재료를 모델링한 실제 사례 연구
• MLFF가 리튬 이온 수송 연구와 같은 대규모 시뮬레이션을 어떻게 용이하게 하는지