論文の概要: Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors

• arxiv url: http://arxiv.org/abs/2502.09970v1
• Date: Fri, 14 Feb 2025 07:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 18:06:35.440193
• Title: Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors
• Title（参考訳）: 固体イオン導体のためのユニバーサル機械学習原子間ポテンシャル
• Authors: Hongwei Du, Jian Hui, Lanting Zhang, Hong Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.7376603774180515
• License:
• Abstract: With the rapid development of energy storage technology, high-performance solid-state electrolytes (SSEs) have become critical for next-generation lithium-ion batteries. These materials require high ionic conductivity, excellent electrochemical stability, and good mechanical properties to meet the demands of electric vehicles and portable electronics. However, traditional methods like density functional theory (DFT) and empirical force fields face challenges such as high computational costs, poor scalability, and limited accuracy across material systems. Universal machine learning interatomic potentials (uMLIPs) offer a promising solution with their efficiency and near-DFT-level accuracy.This study systematically evaluates six advanced uMLIP models (MatterSim, MACE, SevenNet, CHGNet, M3GNet, and ORBFF) in terms of energy, forces, thermodynamic properties, elastic moduli, and lithium-ion diffusion behavior. The results show that MatterSim outperforms others in nearly all metrics, particularly in complex material systems, demonstrating superior accuracy and physical consistency. Other models exhibit significant deviations due to issues like energy inconsistency or insufficient training data coverage.Further analysis reveals that MatterSim achieves excellent agreement with reference values in lithium-ion diffusivity calculations, especially at room temperature. Studies on Li3YCl6 and Li6PS5Cl uncover how crystal structure, anion disorder levels, and Na/Li arrangements influence ionic conductivity. Appropriate S/Cl disorder levels and optimized Na/Li arrangements enhance diffusion pathway connectivity, improving overall ionic transport performance.
• Abstract（参考訳）: エネルギー貯蔵技術の急速な発展に伴い、次世代リチウムイオン電池には高性能固体電解質(SSE)が重要になっている。 これらの材料は、高いイオン伝導率、優れた電気化学的安定性、そして電気自動車やポータブルエレクトロニクスの要求を満たすための優れた機械的特性を必要とする。 しかし、密度汎関数理論(DFT)や経験力場といった従来の手法は、高い計算コスト、スケーラビリティの低下、材料システム全体の精度の制限といった課題に直面している。 この研究は、エネルギー、力、熱力学特性、弾性変調、リチウムイオン拡散挙動の6つの先進的uMLIPモデル(MatterSim, MACE, SevenNet, CHGNet, M3GNet, ORBFF)を体系的に評価する。 その結果、MatterSimは、特に複雑な材料システムにおいて、ほぼ全ての指標において他の指標よりも優れており、精度と物理的整合性が優れていることが示された。 他のモデルでは、エネルギーの不整合やトレーニングデータカバレッジの不足といった問題により大きなずれがみられ、分析の結果、特に室温ではリチウムイオンの拡散率計算における基準値との整合性が良好であることが判明した。 Li3YCl6およびLi6PS5Clの研究は、結晶構造、アニオン障害、Na/Li配列がイオン伝導度にどのように影響するかを明らかにする。 適切なS/Cl障害レベルと最適化されたNa/Liアレンジメントにより拡散経路の接続性が向上し、全体的なイオン輸送性能が向上する。

関連論文リスト

• Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
  Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。 両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
  論文  参考訳（メタデータ） (2024-11-16T23:16:59Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  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。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing [61.27691515336054]
  本研究では,所望のバッテリ適用条件に対する高性能電極の課題に対処する。 本稿では、電気化学性能の2目的最適化のための決定論的機械学習(ML)支援パイプラインによって支援される強力なデータ駆動アプローチを提案する。 以上の結果から,スラリー中の固形物の中間値とカレンダリング度を併用した高活性物質が最適電極となることが示唆された。
  論文  参考訳（メタデータ） (2023-07-07T13:48:50Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• Accurate Surface and Finite Temperature Bulk Properties of Lithium Metal at Large Scales using Machine Learning Interaction Potentials [9.457954280246286]
  我々は,DFTデータに基づく機械学習インタラクションポテンシャル(MLIP)を,実験結果とab-initio結果の再現における最先端の精度に訓練する。 DFTを用いて, 熱力学特性, フォノンスペクトル, 弾性定数の温度依存性, および各種表面特性を正確に予測する。 我々は、ミラー指数面に対する自己吸着エネルギーと最小表面拡散障壁に関連するベル・エバンス・ポラニ関係が存在することを証明した。
  論文  参考訳（メタデータ） (2023-04-24T20:09:07Z)
• CHGNet: Pretrained universal neural network potential for charge-informed atomistic modeling [0.6860131654491484]
  新たな機械学習原子間ポテンシャル(MLIP)としてCrystal Hamiltonian Graph Neural Network(CHGNet)を提案する。 CHGNetは、Material Project Trajectoryデータセットのエネルギー、力、応力、磁気モーメントに基づいて事前訓練されている。 従来のMLIPでは観測できない電子自由度を付加したイオン系に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2023-02-28T01:30:06Z)
• 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)
• 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)

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。