論文の概要: Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials

• arxiv url: http://arxiv.org/abs/2511.11361v1
• Date: Fri, 14 Nov 2025 14:46:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.658325
• Title: Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials
• Title（参考訳）: カソード材料のための多要素機械学習力場を目指して
• Authors: Guangyi Dong, Zhihui Wang,
• Abstract要約: 計算結果のデータ効率を向上させるために,多要素機械学習力場フレームワークを開発した。 この研究は、より低いトレーニングデータセットコストでカソード材料に対する高精度なMLFFトレーニングを実現するのに役立ちます。
• 参考スコア（独自算出の注目度）: 3.9661891287946056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning force fields (MLFFs), which employ neural networks to map atomic structures to system energies, effectively combine the high accuracy of first-principles calculation with the computational efficiency of empirical force fields. They are widely used in computational materials simulations. However, the development and application of MLFFs for lithium-ion battery cathode materials remain relatively limited. This is primarily due to the complex electronic structure characteristics of cathode materials and the resulting scarcity of high-quality computational datasets available for force field training. In this work, we develop a multi-fidelity machine learning force field framework to enhance the data efficiency of computational results, which can simultaneously utilize both low-fidelity non-magnetic and high-fidelity magnetic computational datasets of cathode materials for training. Tests conducted on the lithium manganese iron phosphate (LMFP) cathode material system demonstrate the effectiveness of this multi-fidelity approach. This work helps to achieve high-accuracy MLFF training for cathode materials at a lower training dataset cost, and offers new perspectives for applying MLFFs to computational simulations of cathode materials.
• Abstract（参考訳）: ニューラルネットワークを用いて原子構造をシステムエネルギーにマッピングする機械学習力場(MLFF)は、第一原理計算の高精度と経験力場の計算効率を効果的に組み合わせている。 計算材料シミュレーションで広く使われている。 しかし、リチウムイオン電池陰極材料に対するMLFFの開発と応用は比較的限られている。 これは主に陰極材料の複雑な電子構造特性と、力場訓練に利用できる高品質な計算データセットの不足に起因する。 本研究では、多要素機械学習力場フレームワークを開発し、計算結果のデータ効率を向上させるとともに、カソード材料の低忠実性非磁性および高忠実性磁気計算データセットを同時に活用する。 リチウムマンガン鉄リン酸塩(LMFP)陰極材料システムで行った試験は、この多結晶性アプローチの有効性を示した。 本研究は,カソード材料に対する高精度なMLFFトレーニングを,より低いトレーニングデータセットコストで達成し,カソード材料の計算シミュレーションにMLFFを適用するための新たな視点を提供する。

関連論文リスト

• Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
  本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。 我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。 高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
  論文  参考訳（メタデータ） (2025-03-19T12:15:35Z)
• Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
  機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。 まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。 得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
  論文  参考訳（メタデータ） (2025-03-18T14:32:51Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 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。 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倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Physics-Informed Weakly Supervised Learning for Interatomic Potentials [17.165117198519248]
  機械学習型原子間ポテンシャル(MLIP)のトレーニングのための物理インフォームド・弱教師付きアプローチを導入する。 我々は、様々なベースラインモデルとベンチマークデータセットに対して、エネルギーと力の誤差を(しばしば2倍以下に)減らすことを示した。 我々のアプローチは、スパースで高精度なアブ・イニシアチブデータに基づく基礎モデルの微調整を改善する。
  論文  参考訳（メタデータ） (2024-07-23T12:49:04Z)
• Considerations in the use of ML interaction potentials for free energy calculations [0.0]
  機械学習力場(MLFF)は、アブ初期理論のレベルで分子のポテンシャルエネルギー面を正確に記述することを約束する。 MLFFでは、等変グラフニューラルネットワーク(EQNN)が精度と性能に大きな可能性を示している。 トレーニングデータ中の集合変数(CV)分布がEQNNの精度に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2024-03-20T19:49:21Z)
• Estimation of Electronic Band Gap Energy From Material Properties Using Machine Learning [0.0]
  本稿では,材料バンドギャップエネルギーを迅速に予測できる機械学習駆動モデルを提案する。 我々のモデルは、DFTに基づく予備的な計算や、材料の構造に関する知識を必要としない。 物質科学におけるMLモデルの性能を比較するための新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2024-03-08T07:32:28Z)
• 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)
• Deep-Learning Density Functional Theory Hamiltonian for Efficient ab initio Electronic-Structure Calculation [13.271547916205675]
  結晶材料のDFTハミルトニアン(ディープH)を表現するためのディープニューラルネットワーク手法を開発した。 この方法はDFTの精度効率ジレンマに対する解決策を提供し、大規模材料システムを探究する機会を開放する。
  論文  参考訳（メタデータ） (2021-04-08T14:08:10Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。