电池是一项基础性技术——它为从个人电子设备到电动汽车，乃至用于可再生能源并网的大规模电网储能系统等各类设备提供动力。然而，当前的电池技术（主要是锂离子电池）在性能、安全性、成本以及对钴等稀缺材料的依赖方面都面临着显著的局限性。因此，电池材料的创新是开启下一代储能技术的关键。

在本场网络研讨会中，我们将演示Schrödinger 如何利用一种集成式 计算方法——该方法将基于物理理论 分子建模 与机器学习（ML） 力场（MLFFs）相结合——来应对电池材料设计中的关键挑战。我们将介绍Schrödinger在MLFFs领域的最新进展，重点展示带电荷递归神经网络（QRNN）以及新近发布的“带迭代电荷平衡的消息传递网络”（MPNICE）架构，这些架构融入了显式静电模型，以实现对电荷的精确表征。

此外，我们将展示若干与行业相关的案例研究，重点介绍如何利用MLFFs对电解质材料 （液体、聚合物和无机固态电解质）、正极涂层以及电极材料 的结构和性能进行精确建模。 我们还将探讨MLFFs如何促进大规模模拟，使科学家能够研究缺陷和异质性对锂离子传输等关键性能的影响，从而为高效设计下一代电池材料和化学体系铺平道路。

网络研讨会亮点：

• Schrödinger 如何将基于物理理论 建模与机器学习（ML） 力场相结合，以推动电池材料的发现
• Schrödinger的最新MLFF技术，包括QRNN和MPNICE
• 对电解质、阴极涂层等进行建模的实际案例研究，以及电极材料
• MLFFs如何促进大规模模拟，例如对锂离子传输的研究