[论文解读] A predictive machine learning force field framework for liquid electrolyte development

Sheng Gong, Yumin Zhang+14 more|arXiv (Cornell University)|Apr 10, 2024

Machine Learning in Materials Science被引用 8

一句话总结

这篇论文引入 BAMBOO，一种基于物理信息、图等变换器的 ML 力场框架用于液体电解质，结合 ensemble distillation 和 density alignment，用来预测不同溶剂和盐的密度、粘度和离子导电率。它展示对未见液体的可迁移性，并在与实验数据的对比中达到最先进的准确性。

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.

研究动机与目标

• 开发一个可迁移的复杂液体电解质的机器学习力场，该力场能够从量子数据学习并对未见系统进行泛化。
• 将基于物理的组件（静电和色散）与图神经网络骨干结合，以准确建模液体。
• 通过集成知识蒸馏提高 MLFF 的分子动力学稳定性。
• 通过密度对齐方法将 MLFF 的预测与实验数据对齐，以增强可迁移性。

提出的方法

• 提出基于 GET（图等变换器）的 MLFF，将能量分解为半局部、静电和色散贡献。
• 从原子类型和相对坐标预测原子能量、电荷和力；通过成对力定义来实现牛顿第三定律。
• 使用预测的部分电荷在电荷平衡框架下计算静电能量；加入 D3(CSO) 色散修正。
• 在 DFT 计算的能量/力/电荷上用不同随机种子训练多个 GNN，并通过集合知识蒸馏融合它们以稳定 MD。
• 使用基于物理的密度对齐将 MLFF 与实验密度数据对齐，建立压力调整与宏观可观测量和力的 refinements 的联系。
• 演示对未见分子的可迁移性，并在各种溶剂和盐中评估密度、粘度和离子导电率。

实验结果

研究问题

• RQ1 是否可以训练出一个单一的 MLFF，准确描述多样的液体电解质（溶剂和盐）并推广到未见系统？
• RQ2 集合知识蒸馏和密度对齐是否能提升液体电解质的分子动力学稳定性及与实验的一致性？
• RQ3 BAMBOO 框架在不同溶剂和盐浓度下预测密度、粘度和离子导电率的能力如何？
• RQ4 在 GET 基础的 MLFF 中显式处理静电和色散对预测准确性的影响？
• RQ5 该框架是否能够区分 Li 基电解质中的局部电荷环境和溶剂化结构？

主要发现

• BAMBOO 在多样成分下的平均密度误差约为 0.01 g/cm3。
• 粘度和离子导电率的预测与实验趋势高度一致，分别在多种液体中的偏差为 17% 和 26%。
• 通过集合知识蒸馏，五个模型的密度预测标准差下降超过 50%。
• 使用少量实验数据的密度对齐将密度误差从约 0.05 降到约 0.01 g/cm3，并改善相关性质（粘度、导电性）。
• 该模型展示了对未包含在 DFT 训练集中的液体的可迁移性，并能够基于局部环境区分溶剂化基序和部分电荷。