[論文レビュー] Benchmarking short-range machine learning potentials for atomistic simulations of metal/electrolyte interfaces

Lucas B. T. de Kam, Jiaxin Zhu+3 more|arXiv (Cornell University)|Feb 26, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

この論文は、帯電Au/水界面に対する短距離MLIP（DP、DP-MP、ACE/GRACE、MACE、eSEN-OC25）の性能をベンチマークし、さまざまな表面電荷における界面水の配向とイオン分布を再現する能力を評価する。

ABSTRACT

Atomistic simulations of electrochemical interfaces remain challenging due to the long time scales required to adequately sample the structure of the electric double layer. The emergence of efficient, short-range machine learning interatomic potentials (MLIPs) offers a promising alternative to computationally expensive density functional theory-based molecular dynamics (DFT-MD) simulations in this regard. However, in standard periodic DFT calculations of metal surfaces, the surface charge is implicitly set by the number of counterions in the simulation cell, making it a global property that is difficult to represent with strictly local MLIPs. Here, we benchmark common MLIP architectures (DP, ACE, MACE) for charged Au/water interfaces containing solvated sodium ions. We find that MLIPs trained on datasets spanning multiple surface charge states yield inconsistent predictions of interfacial water orientation and ion distributions, although message-passing models with a larger receptive field exhibit greater robustness to training on mixed-charge datasets. In contrast, models trained on a single charge state produce consistent equilibrium interfacial properties. Finally, we assess the performance of the eSEN model trained on the recently released Open Catalyst 2025 dataset, which includes solid/liquid interfaces that span a wide range of surface charge densities. Overall, our results characterize the limitations of short-range MLIPs for simulations of electrochemical interfaces and provide practical guidance for constructing training datasets for simulations of charged metal/electrolyte interfaces.

研究の動機と目的

• 金属-電解質界面における界面水の配向とイオン分布を、異なる表面電荷下で短距離MLIPがどれだけ正確に再現できるかを評価する。
• 単一のMLIPが複数の表面電荷状態に対して一般化できるかを評価する。
• 局所（local）対半局所（semilocal）および等変（equivariant）MLIPの精度・ロバスト性・転送性を比較する。
• 帯電した金属-電解質界面のシミュレーション用訓練データセット構築の実用的ガイドラインを提供する。

提案手法

• 5つのMLIP（DP、DP-MP、GRACE-1L/ACE、MACE、eSEN-OC25）をAu/水界面で0–4個の溶媒化Na+イオンでベンチマークする。
• 混合電荷状態および特定電荷状態をカバーするデータセット、OC25ベースのモデルを、VASP RPBE-D3計算からのDFTラベル付き訓練データを用いて訓練する。
• エネルギー/力のRMSEとMDレベルの性質評価を用いて、界面水の配向とイオン分布をモデル評価する。
• 受容野（リセプティブフィールド）、ボディオーダー、および等変 vs 非等変アーキテクチャを分析して、局所性と長距離のニーズを理解する。
• explicitなイオンと水を含むNVTでMDシミュレーションを実行し、軌跡から得られる性質（密度プロファイル、水の双極子配向）を参照データと比較する。

実験結果

リサーチクエスチョン

• RQ1 帯電した金属-電解質界面において、短距離MLIPは界面構造とイオン分布を正確に記述できるか。
• RQ2 混合電荷データセットで訓練されたMLIPは、特定の電荷状態へ一般化できるか、あるいはその逆もそうか。
• RQ3 局所性・メッセージパッシング・等変性のモデルアーキテクチャ選択は、表面電荷間のロバスト性と転送性にどう影響するか。
• RQ4 単一のMLIPで複数の表面電荷を記述できるか、それとも電荷特異的訓練が必要か。
• RQ5 OC25訓練モデルは、明示的なDFTデータで訓練したモデルと比較して、帯電界面においてどう性能するか。

主な発見

• 混合電荷データセットで訓練されたMLIPは、表面電荷ごとに界面水の配向とイオン分布の予測が一貫しない。
• より大きな受容野を持つメッセージパッシングモデルは、混合電荷訓練データに対するロバスト性が高い。
• 単一の電荷状態で訓練されたモデルは、平衡状態の界面特性が一貫している。
• OC25ベースのeSENモデルは、幅広い表面電荷を含む大規模で多様なOC25データセットの基準点を提供する。
• 総じて、帯電した電気化学界面に対して短距離MLIPには限界があり、訓練データセット設計が精度と転送性に決定的な影響を与える。