用于液态电解质开发的预测性机器学习力场框架
材料科学
2025-04-02 v5 机器学习
计算物理
摘要
尽管机器学习力场（MLFF）在固体和小分子中广泛应用，但在模拟液态电解质（当前商用锂离子电池的关键组分）方面仍存在显著空白。本文介绍 BAMBOO（ByteDance AI Molecular Simulation Booster），一个用于分子动力学（MD）模拟的预测框架，并展示其在锂电池液态电解质场景中的能力。我们设计了一个受物理启发的图等变 Transformer 架构作为 BAMBOO 的主干，以从量子力学模拟中学习。此外，我们引入了一种集成知识蒸馏方法并将其应用于 MLFF，以减少 MD 模拟观测值的波动。最后，我们提出了一种密度对齐算法，使 BAMBOO 与实验测量对齐。BAMBOO 在预测关键电解质性质（如密度、粘度和离子电导率）方面，在各种溶剂和盐组合下均达到了最先进的精度。当前模型在超过 15 种化学物种上训练，与实验相比，在各种组成上的平均密度误差为 0.01 g/cm³。
引用
@article{arxiv.2404.07181,
title = {A predictive machine learning force field framework for liquid electrolyte development},
author = {Sheng Gong and Yumin Zhang and Zhenliang Mu and Zhichen Pu and Hongyi Wang and Zhiao Yu and Mengyi Chen and Tianze Zheng and Zhi Wang and Lifei Chen and Zhenze Yang and Xiaojie Wu and Shaochen Shi and Weihao Gao and Wen Yan and Liang Xiang},
journal= {arXiv preprint arXiv:2404.07181},
year = {2025}
}
备注
Figures provided as the tex source files