Uni-ELF: A Multi-Level Representation Learning Framework for Electrolyte Formulation Design

要約

リチウム電池技術の進歩は、電解質の設計とエンジニアリングに大きく依存しています。
しかし、電解質の分子設計とレシピ最適化のための現在のスキームには、効果的な計算実験閉ループが欠けており、さまざまな電解質配合特性を正確に予測するには不十分なことがよくあります。
この研究では、電解質設計を進めるための新しいマルチレベル表現学習フレームワークである Uni-ELF を紹介します。
私たちのアプローチには、2 段階の事前トレーニングが含まれます。Uni-Mol モデルを使用して分子レベルで 3 次元分子構造を再構築し、混合物レベルでの分子動力学シミュレーションから統計的構造特性 (動径分布関数など) を予測します。
この包括的な事前トレーニングを通じて、Uni-ELF は複雑な分子および混合物レベルの情報を取得できるため、予測能力が大幅に向上します。
その結果、Uni-ELF は、分子特性 (融点、沸点、合成可能性など) と配合特性 (導電率、クーロン効率など) の両方の予測において、最先端の方法を大幅に上回ります。
さらに、Uni-ELF は自動実験設計ワークフローにシームレスに統合できます。
私たちは、この革新的なフレームワークが自動化された AI ベースの電解質設計とエンジニアリングへの道を開くと信じています。

要約(オリジナル)

Advancements in lithium battery technology heavily rely on the design and engineering of electrolytes. However, current schemes for molecular design and recipe optimization of electrolytes lack an effective computational-experimental closed loop and often fall short in accurately predicting diverse electrolyte formulation properties. In this work, we introduce Uni-ELF, a novel multi-level representation learning framework to advance electrolyte design. Our approach involves two-stage pretraining: reconstructing three-dimensional molecular structures at the molecular level using the Uni-Mol model, and predicting statistical structural properties (e.g., radial distribution functions) from molecular dynamics simulations at the mixture level. Through this comprehensive pretraining, Uni-ELF is able to capture intricate molecular and mixture-level information, which significantly enhances its predictive capability. As a result, Uni-ELF substantially outperforms state-of-the-art methods in predicting both molecular properties (e.g., melting point, boiling point, synthesizability) and formulation properties (e.g., conductivity, Coulombic efficiency). Moreover, Uni-ELF can be seamlessly integrated into an automatic experimental design workflow. We believe this innovative framework will pave the way for automated AI-based electrolyte design and engineering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google