[논문 리뷰] A predictive machine learning force field framework for liquid electrolyte development

Sheng Gong, Yumin Zhang외 14명|arXiv (Cornell University)|2024. 04. 10.

Machine Learning in Materials Science인용 수 8

한 줄 요약

이 논문은 BAMBOO를 소개합니다. 이는 liquid electrolytes를 대상으로 한 물리 정보 기반의 그래프 등변 변환기(GET) 기반 ML 힘장 프레임워크로, 앙상블 증류 및 밀도 정렬을 통해 다양한 용매와 염에서 밀도, 점도, 이온 전도도를 예측합니다. 보지 못한 액체로의 일반화 가능성을 보이며 실험 데이터에 비해 최첨단 정확도를 달성합니다.

ABSTRACT

Despite the widespread applications of machine learning force fields (MLFF) in solids and small molecules, there is a notable gap in applying MLFF to simulate liquid electrolyte, a critical component of the current commercial lithium-ion battery. In this work, we introduce BAMBOO ( extbf{B}yteDance extbf{A}I extbf{M}olecular Simulation extbf{Boo}ster), a predictive framework for molecular dynamics (MD) simulations, with a demonstration of its capability in the context of liquid electrolyte 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 introduce an ensemble knowledge distillation approach and apply it to MLFFs to reduce the fluctuation of observations from MD simulations. Finally, we propose a 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. The 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 experiment.

연구 동기 및 목표

• 복잡한 액체 전해질에 대해 양자 데이터로부터 학습하고 미지의 시스템으로 일반화할 수 있는 전이 가능한 머신러닝 힘장을 개발한다.
• 물리 기반 구성요소(정전기와 분산)를 그래프 신경망 백본과 통합하여 액체를 정확히 모델링한다.
• 앙상블 지식 증류를 통해 MLFF의 MD 안정성을 개선한다.
• 밀도 정렬 접근법을 통해 실험 데이터와 MLFF 예측을 일치시켜 전이 가능성을 향상한다.

제안 방법

• 에너지를 반-국소, 정전기, 분산 기여로 분할하는 GET(graph equivariant transformer) 기반 MLFF를 제안한다.
• 원자 유형과 상대 좌표에서 원자 에너지, 전하, 힘을 예측하고, 쌍별 힘 정의를 통해 뉴턴의 제3법칙을 강제한다.
• 정전력 프레임워크 하에서 예측된 부분 전하를 사용해 전정 에너지를 계산하고, D3(CSO) 분산 보정을 포함한다.
• 다양한 무작위 시드로 DFT 계산 에너지/힘/전하로 여러 GNN을 학습시키고 엔SEMBLE 지식 증류를 통해 MD를 안정화한다.
• 물리 기반의 밀도 정렬을 사용해 MLFF를 실험적 데이터에 맞춰 밀도 데이터를 정렬하고, 이를 통해 압력 조정과 거시적 관찰 가능성 및 힘 정제 간의 연결을 구축한다.
• 보지 않은 분자들로의 전이 가능성을 시연하고 다양한 용매와 염에서의 밀도, 점도, 이온 전도도를 평가한다.

실험 결과

연구 질문

• RQ1 단일 MLFF가 다양한 액체 전해질(용매와 염)을 정확히 설명하고 미지의 시스템으로의 전이를 학습할 수 있는가?
• RQ2 앙상블 지식 증류와 밀도 정렬이 액체 전해질의 MD 안정성과 실험 합치성을 향상시키는가?
• RQ3 BAMBOO 프레임워크가 다양한 용매 및 염 농도에 걸쳐 밀도, 점도, 이온 전도도를 얼마나 잘 예측하는가?
• RQ4 GET 기반 MLFF 내에서 명시적 전기적 상호작용 및 분산 처리가 예측 정확도에 어떤 영향을 미치는가?
• RQ5 프레임워크가 Li 기반 전해질의 국부 전하 환경 및 한정된 용매 구성에서의 용매화 구조를 구별할 수 있는가?

주요 결과

• BAMBOO는 다양한 조성에 걸쳐 평균 밀도 오차가 약 0.01 g/cm3로 나타난다.
• 점도 및 이온 전도도 예측은 실험 추세와 강한 일치 보이며, 여러 액체에 걸쳐 각각 17%와 26%의 편차가 보고된다.
• 5개의 모델에 걸친 엔SEMBLE 지식 증류로 밀도 예측 표준 편차가 50% 이상 감소한다.
• 실험 데이터의 소형 밀도 정렬로 밀도 오차를 ~0.05에서 ~0.01 g/cm3로 감소시키고 관련 특성(점도, 전도도)을 개선한다.
• 모형은 DFT 학습 세트에 포함되지 않은 액체로의 전이 가능성을 보이고 국소 환경에 따른 용매화 모티프와 부분 전하를 구별할 수 있다.