[論文レビュー] Scalable molecular simulation of electrolyte solutions with quantum chemical accuracy

Junji Zhang, Joshua Pagotto+2 more|arXiv (Cornell University)|Oct 19, 2023

Machine Learning in Materials Science被引用数 11

ひとこと要約

この研究は、全原子およびコースグレインのニューラルネットポテンシャルフレームワークをDC-r2SCANデータで訓練し、第一原理から水溶性 LiCl の性質を予測。Li-Li 二聚形成を明らかにし、実験に一致する熱力学・動力学出力を達成。

ABSTRACT

Electrolyte solutions play critical role in a vast range of important applications, yet an accurate and scalable method of predicting their properties without fitting to experiment has remained out of reach, despite over a century of effort. Here, we combine state-of-the-art density functional theory and equivariant neural network potentials to demonstrate this capability, reproducing key structural, thermodynamic, and kinetic properties. We show that neural network potentials (NNPs) can be recursively trained on a subset of their own output to enable coarse-grained/continuum-solvent molecular simulations that can access much longer timescales than possible with all atom simulations. We observe the surprising formation of Li cation dimers along with identical anion-anion pairing of chloride and bromide anions. Finally, we reproduce simulate the crystal phase and infinite dilution pairing free energies despite being trained only on moderate concentration solutions. This approach should be scaled to build a greatly expanded database of electrolyte solution properties than currently exists.

研究の動機と目的

• 正確な、経験的モデルを超えた電解質の熱力学、動力学、構造の第一原理予測の必要性を動機づける。
• DC-DFTデータと等変ニューラルネットポテンシャルを組み合わせて、電解質の大規模シミュレーションを可能にするスケーラブルなワークフローを開発する。
• 第一原理から、構造（RDFs）、熱力学（活量係数）、動力学（拡散係数）を予測する能力を示す。
• さまざまな濃度への一般化性を示し、より速いシミュレーションのための粗視化を可能にする。

提案手法

• 短い FPMD 軌跡から訓練データを生成するために密度修正DC-DFT（DC-r2SCAN）を使用する。
• 655 DC-r2SCAN フレームで 4 Li+, 4 Cl-, および 80 H2O を用いて 2 つの等変ニューラルネットポテンシャル（NNP1、NNP2）を訓練する。
• 訓練中にスクリーン電荷相互作用を用いた長距離静電相互作用を組み込み、NNP-MD シミュレーションでは再度それらを加える。
• 全原子NNP-MDを実行し、その後、マスターフォースのポテンシャルを学習するコースグレインドNNPを構築して、より速いシミュレーションを実現する。
• RDFs、拡散係数、 Kirkwood–Buff 活性導関数を通じて実験と比較して検証する。

Figure 1 : Simulation overview Small, short FPMD simulations are run with CP2K. Energies/forces are recomputed with the DC-r 2 SCAN DFA. This data set is then used to train an equivariant NNP which enables much larger simulations with a larger cell. Forces and coordinates of the ions alone are outpu

実験結果

リサーチクエスチョン

• RQ1 DC-DFTベースの小さな訓練セットで、電解質溶液の正確で転移可能なNNPを実現できるか？
• RQ2 等変NNPは濃度を跨いで LiCl 水溶液の構造・熱力学・動力学特性を再現できるか？
• RQ3 全原子データで訓練された粗視化NNPは、イオン–イオンおよびイオン–水相関を再現し、オスモティック/活性を予測できるか？
• RQ4 第一原理シミュレーションから LiCl の溶媒化に関する新しい洞察（例: Liカチオンの二量体）はどのように現れるか？

主な発見

• Li カチオン二量体が観測され、第一水和層で Li–Li 距離は約 2.68 Å。
• NNP 力の RMSE は 10 meV/Å 未満 (NNP1: 8.9 meV/Å; NNP2: 9.7 meV/Å)。
• 全原子NNP-MDを 25.26 Å3 のセルで実行（512 H2O, 48 イオン）し、RDFsと配位数が中性子回折データと良く一致（Li–O ~1.97 Å; Li–O 配位 ~4.2; Cl–O ~3.17 Å; 配位 ~6.9）。
• Li+, Cl−, H2O の拡散係数が実験と良く一致； Kirkwood–Buff 理論からの活性導関数は実験傾向と一致。
• 粗視化NNPは全原子RDFsを再現し、濃度依存のスクリー二ングを捉える；粗視化結果は tens of CPU hours で収束。
• 粗視化モデルから抽出された無限希釈 PMF はモディファイドポーソン–ボルツマン方程式を用いた浸透係数推定を可能とし、実験と良い一致。

Figure 2 : Lithium dimer formation Lithium oxygen, and lithium lithium RDFs demonstrate the formation of lithium cation dimers that penetrate into the first hydration layer and an example snapshot from the MD simulation, showing the water molecules and nearest chloride ion surrounding the dimer.