論文の概要: Predicting ionic conductivity in solids from the machine-learned potential energy landscape

• arxiv url: http://arxiv.org/abs/2411.06804v1
• Date: Mon, 11 Nov 2024 09:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:07:29.665108
• Title: Predicting ionic conductivity in solids from the machine-learned potential energy landscape
• Title（参考訳）: 機械学習型ポテンシャルエネルギー景観からの固体中のイオン伝導の予測
• Authors: Artem Maevskiy, Alexandra Carvalho, Emil Sataev, Volha Turchyna, Keian Noori, Aleksandr Rodin, A. H. Castro Neto, Andrey Ustyuzhanin,
• Abstract要約: 超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
• 参考スコア（独自算出の注目度）: 68.25662704255433
• License:
• Abstract: Discovering new superionic materials is essential for advancing solid-state batteries, which offer improved energy density and safety compared to the traditional lithium-ion batteries with liquid electrolytes. Conventional computational methods for identifying such materials are resource-intensive and not easily scalable. Recently, universal interatomic potential models have been developed using equivariant graph neural networks. These models are trained on extensive datasets of first-principles force and energy calculations. One can achieve significant computational advantages by leveraging them as the foundation for traditional methods of assessing the ionic conductivity, such as molecular dynamics or nudged elastic band techniques. However, the generalization error from model inference on diverse atomic structures arising in such calculations can compromise the reliability of the results. In this work, we propose an approach for the quick and reliable evaluation of ionic conductivity through the analysis of a universal interatomic potential. Our method incorporates a set of heuristic structure descriptors that effectively employ the rich knowledge of the underlying model while requiring minimal generalization capabilities. Using our descriptors, we rank lithium-containing materials in the Materials Project database according to their expected ionic conductivity. Eight out of the ten highest-ranked materials are confirmed to be superionic at room temperature in first-principles calculations. Notably, our method achieves a speed-up factor of approximately 50 compared to molecular dynamics driven by a machine-learning potential, and is at least 3,000 times faster compared to first-principles molecular dynamics.
• Abstract（参考訳）: 固体電池は従来のリチウムイオン電池の液体電解質よりもエネルギー密度と安全性が向上する。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 近年,同変グラフニューラルネットワークを用いた普遍的原子間ポテンシャルモデルが開発されている。 これらのモデルは、第一原理力とエネルギー計算の広範なデータセットに基づいて訓練されている。 分子動力学やナッジド弾性バンド技術といった従来のイオン伝導度評価法の基礎として利用することで、計算上の大きな利点を享受できる。 しかし、そのような計算で生じる様々な原子構造に対するモデル推論からの一般化誤差は、結果の信頼性を損なう可能性がある。 本研究では、普遍的な原子間ポテンシャルの解析を通じて、イオン伝導率の迅速かつ信頼性の高い評価手法を提案する。 本手法では,基本モデルの豊富な知識を効果的に活用し,最小限の一般化能力を必要とするヒューリスティック構造記述子を組み込む。 本論文では, リチウム含有材料を材料プロジェクトデータベースに記載し, イオン伝導率に比例してランク付けする。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 特に,本手法は,機械学習電位によって駆動される分子動力学と比較して約50倍の高速化率を実現し,第1原理分子動力学に比べて少なくとも3,000倍高速である。

関連論文リスト

• OBELiX: A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State Electrolytes [44.16223940507546]
  固体電解質電池は近い将来、液体電解質リチウムイオン電池を置き換えることが期待されている。 イオン伝導性の高い物質を見つけるには時間と資源がかかる。 OBELiXは、合成固体電解質材料と室温イオン伝導度を実験的に測定したデータベースである。
  論文  参考訳（メタデータ） (2025-02-20T03:59:35Z)
• Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors [4.7376603774180515]
  UMLIP(Universal Machine Learning Interatomic potential)は、その効率性とほぼDFTレベルの精度で、有望なソリューションを提供する。 本研究は, エネルギー, 力, 熱力学特性, 弾性率, リチウムイオン拡散挙動の6つの先進的UMLIPモデルを系統的に評価する。 その結果、MatterSimは、特に複雑な物質システムにおいて、ほぼすべての指標において、他の指標よりも優れています。
  論文  参考訳（メタデータ） (2025-02-14T07:55:53Z)
• Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials [0.0]
  本研究では, 単金属系からのデータを用いたHEA特性の迅速予測法を提案する。 我々は古典機械学習と量子機械学習の両方を用いて高精度モデルを開発した。 提案手法は, HEA化学空間の探索を加速し, 新規触媒の設計を容易にする。
  論文  参考訳（メタデータ） (2024-04-12T11:54:06Z)
• Symbolic Regression in Materials Science: Discovering Interatomic Potentials from Data [1.7149364927872015]
  機械学習は、ab初期原子ポテンシャルの計算コストを相殺することができる。 シンボリック回帰(英: symbolic regression)は、原子間ポテンシャルの関数形式を発見するための強力な「ホワイトボックス」アプローチである。 原子ポテンシャルをモデル化するための遺伝的プログラミングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-13T19:05:21Z)
• Machine Learning-Aided Discovery of Superionic Solid-State Electrolyte for Li-Ion Batteries [1.787419386215488]
  Li-Ion固相電解質(Li-SSEs)は、従来のLi-Ion電池(LIBs)の臨界問題を解消する有望な解である 20,237個のLi含有材料中の超イオン性Li-SSEを発見するための機械学習シュロゲートモデルを開発した。
  論文  参考訳（メタデータ） (2022-02-14T14:33:56Z)
• Nuclear two point correlation functions on a quantum-computer [105.89228861548395]
  我々は、現在の量子ハードウェアとエラー軽減プロトコルを使用して、高度に単純化された核モデルに対する応答関数を計算する。 この研究では、現在の量子ハードウェアとエラー軽減プロトコルを用いて、4つの格子上に3つの区別可能な核子を持つ2次元のフェルミ・ハバードモデルに対する応答関数を計算する。
  論文  参考訳（メタデータ） (2021-11-04T16:25:33Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。