[논문 리뷰] Benchmarking short-range machine learning potentials for atomistic simulations of metal/electrolyte interfaces

Lucas B. T. de Kam, Jiaxin Zhu외 3명|arXiv (Cornell University)|2026. 02. 26.

Machine Learning in Materials Science인용 수 0

한 줄 요약

이 논문은 짧은 범위 MLIP들( DP, DP-MP, ACE/GRACE, MACE, 및 eSEN-OC25 )를 대전하 Au/물 인터페이스에서 벤치마크하여 계면 물의 방향성 및 이온 분포를 다양한 표면 전하에서 재현하는 능력을 평가한다.

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.

연구 동기 및 목표

• 다양한 표면 전하에서 금속/전해질 인터페이스에서 인터페이스 물의 방향성 및 이온 분포를 단거리 MLIPs가 얼마나 잘 재현하는지 평가한다.
• 하나의 MLIP가 다수의 표면 전하 상태에 걸쳐 일반화할 수 있는지 평가한다.
• 정확도, 견고성 및 전달 가능성 측면에서 로컬 vs. 준 국소 및 등변 MLIPs를 비교한다.
• 전하를 띤 금속/전해질 인터페이스 시뮬레이션을 위한 학습 데이터 세트 구성에 대한 실용적 지침을 제시한다.

제안 방법

• Au/물 인터페이스에서 0–4개의 용해된 Na+ 이온과 함께 다섯 MLIP(DP, DP-MP, GRACE-1L/ACE, MACE, eSEN-OC25)를 벤치마크한다.
• VASP RPBE-D3 계산으로 표기된 DFT 학습 데이터를 사용해 혼합 전하 상태와 특정 전하 상태를 포괄하는 데이터 세트와 OC25 기반 모델로 학습한다.
• 에너지/힘의 RMSE와 MD 수준 속성 평가를 이용하여 인터페이스 물의 방향성 및 이온 분포를 통해 모델을 평가한다.
• 수용 영역(receptive field), 본체 차수(body order), 등변 대 비등변 아키텍처를 분석하여 국소성 대 장거리 필요성을 이해한다.
• 명시적 이온과 물을 포함한 NVT에서 분자 동역학 시뮬레이션을 수행하고, 궤적에서 도출된 특성(밀도 프로필, 물의 쌍극 방향성)을 참조 데이터와 비교한다.

실험 결과

연구 질문

• RQ1 전하를 띤 금속/전해질 인터페이스에서 단거리 MLIPs가 인터페이스 구조와 이온 분포를 정확히 설명할 수 있는가?
• RQ2 혼합 전하 데이터 세트로 학습된 MLIP가 특정 전하 상태에 일반화되는가, 반대도 마찬가지인가?
• RQ3 모델 아키텍처 선택(로컬 vs. 메시지 전달 vs. 등변)이 표면 전하 간의 견고성 및 전달 가능성에 어떤 영향을 미치는가?
• RQ4 하나의 MLIP로 여러 표면 전하를 설명하는 것이 가능한가, 아니면 전하별 학습이 필요한가?
• RQ5 OC25로 학습된 모델이 명시적 DFT 데이터로 학습된 모델에 비해 전하 인터페이스에서 어떻게 성능을 보이는가?

주요 결과

• 혼합 전하 데이터 세트로 학습된 MLIPs는 표면 전하에 따라 인터페이스 물의 방향성 및 이온 분포에 대해 일관되지 않은 예측을 보인다.
• 더 큰 수용 영역을 가진 메시지 전달 모델은 혼합 전하 학습 데이터에 대해 더 큰 견고성을 보인다.
• 단일 전하 상태에서 학습된 모델은 일관된 평형 인터페이스 특성을 산출한다.
• OC25 기반의 eSEN 모델은 다양한 표면 전하를 아우르는 대규모의 다양한 OC25 데이터 세트에서 참조점을 제공한다.
• 전반적으로 단거리 MLIPs은 전하를 띤 전해화학 인터페이스에 한계를 가지며, 학습 세트 설계가 정확도와 전달 가능성에 결정적으로 영향을 미친다.