BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development

要約

機械学習力場 (MLFF) は固体や小分子に広く応用されているにもかかわらず、複雑な液体電解質への MLFF の適用には顕著なギャップがあります。
この研究では、分子動力学 (MD) シミュレーションの新しいフレームワークである BAMBOO (ByteDance AI Molecular Simulation Booster) を紹介し、リチウム電池用の液体電解質のコンテキストでの機能のデモンストレーションを行います。
私たちは、量子力学シミュレーションから学習するために、BAMBOO のバックボーンとして物理学にインスピレーションを得たグラフ等変変換器アーキテクチャを設計します。
さらに、アンサンブル知識蒸留アプローチを開拓し、それを MLFF に適用して MD シミュレーションの安定性を向上させます。
最後に、BAMBOO を実験測定値と整合させるための密度整合アルゴリズムを提案します。
BAMBOO は、さまざまな溶媒と塩の組み合わせにわたる密度、粘度、イオン伝導率などの主要な電解質特性を予測する際に最先端の精度を示します。
15 以上の化学種でトレーニングされた現在のモデルは、実験データと比較して、さまざまな組成で 0.01 g/cm^3 の平均密度誤差を達成しています。
さらに、私たちのモデルは、量子力学データセットに含まれていない分子への転移可能性を実証しています。
私たちはこの研究が、一般的な有機液体の特性をシミュレートできる「ユニバーサル MLFF」への道を開くものであると構想しています。

要約(オリジナル)

Despite the widespread applications of machine learning force field (MLFF) on solids and small molecules, there is a notable gap in applying MLFF to complex liquid electrolytes. In this work, we introduce BAMBOO (ByteDance AI Molecular Simulation Booster), a novel framework for molecular dynamics (MD) simulations, with a demonstration of its capabilities in the context of liquid electrolytes for lithium batteries. We design a physics-inspired graph equivariant transformer architecture as the backbone of BAMBOO to learn from quantum mechanical simulations. Additionally, we pioneer an ensemble knowledge distillation approach and apply it on MLFFs to improve the stability of MD simulations. Finally, we propose the density alignment algorithm to align BAMBOO with experimental measurements. BAMBOO demonstrates state-of-the-art accuracy in predicting key electrolyte properties such as density, viscosity, and ionic conductivity across various solvents and salt combinations. Our current model, trained on more than 15 chemical species, achieves the average density error of 0.01 g/cm^3 on various compositions compared with experimental data. Moreover, our model demonstrates transferability to molecules not included in the quantum mechanical dataset. We envision this work as paving the way to a ”universal MLFF” capable of simulating properties of common organic liquids.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google