論文の概要: Distilling Large-Scale Machine Learning Interatomic Potentials to Predict Long-Timescale Electrolyte Transport Properties
- arxiv url: http://arxiv.org/abs/2610.39513v1
- Date: Thu, 29 Oct 2026 07:12:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.471959
- Title: Distilling Large-Scale Machine Learning Interatomic Potentials to Predict Long-Timescale Electrolyte Transport Properties
- Title(参考訳): 長期電解質輸送特性予測のための大規模機械学習原子間ポテンシャルの蒸留
- Abstract要約: 次世代電池設計においては, 液体電解質の輸送特性の正確な予測が重要である。
最近の大規模機械学習間ポテンシャル(MLIP)は密度-機能-理論の精度にアプローチする。
大規模な「教師」MLIPの精度を、高速でシステム固有の「学生」に伝達する知識蒸留法を提供する。
- 参考スコア(独自算出の注目度): 7.874942244501551
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately predicting the transport properties of liquid electrolytes is critical for next-generation battery design and requires force fields that are both quantum-mechanically accurate and fast enough for long-timescale simulation. Recent large-scale pretrained machine learning interatomic potentials (MLIPs) approach density-functional-theory accuracy, but remain too slow to access the necessary timescales to converge transport properties. We provide a knowledge distillation procedure to transfer the accuracy of a large-scale "teacher" MLIP into fast, system-specific "students", without any additional ab initio data. Our distilled models run ~40x faster, reproduce teacher-predicted structural observables, and produce stable 20 ns trajectories in days, rather than the months the teacher would require. Across a diverse set of sodium- and lithium-ion electrolytes, student-predicted self-diffusivities, ionic conductivities, and shear viscosities track experiment and outperform classical force-field predictions, establishing distillation as a practical route to accurate, long-timescale simulations necessary for high-throughput electrolyte screening.
- Abstract(参考訳): 液体電解質の輸送特性の正確な予測は次世代の電池設計において重要であり、長期のシミュレーションには量子力学的に正確かつ高速な力場を必要とする。
最近の大規模機械学習間ポテンシャル(MLIP)は密度-機能-理論の精度に近づいたが、輸送特性を収束させるために必要な時間スケールにアクセスするには遅すぎる。
我々は,大規模MLIPの精度を,付加的なアブイニシアトデータなしで,高速かつシステム固有の「学生」に伝達する知識蒸留法を提案する。
私たちの蒸留されたモデルは40倍高速に動作し、教師が予測した構造観測器を再現し、教師が必要とする月ではなく、数日で安定な20 ns軌道を生成します。
様々なナトリウムおよびリチウムイオン電解質、学生予測自己拡散性、イオン伝導性、およびせん断粘度追跡実験および古典的な力場予測を上回り、高スループット電解質スクリーニングに必要な高精度で長期のシミュレーションを行うための実用的な方法として蒸留を確立した。
関連論文リスト
- Ab initio Modeling of MoS2/Oxide Device Interfaces with Machine Learned Electronic Structures [66.44589802420899]
我々は、スケーラブルな機械学習(ML)電子構造モデルと高度な量子輸送(QT)解決器を統合する半導体デバイスをシミュレートするための新しいab initioアプローチを導入する。
このフレームワークは密度汎関数理論上の10,000Xのスピードアップを可能にし、20,000個の原子からなる装置のハミルトン行列を生成する。
論文 参考訳(メタデータ) (2026-08-27T15:33:39Z) - Distilling latent electrostatics from foundation machine learning interatomic potentials [4.208220582996209]
Latent Ewald Summation (LES) は密度汎関数理論エネルギーと力ラベルのみから潜時原子電荷と長距離静電エネルギーを学習する。
UMA, MACE, Orb, eSEN, GemNet-OC, PET, EquiformerV2など,幅広い基礎MLIPから抽出した学生モデルのベンチマークを行った。
LESに基づく蒸留は、基礎MLIPを効率よく電気応答性のあるモデルに変換するための実用的な経路を提供する。
論文 参考訳(メタデータ) (2026-06-12T22:45:20Z) - Hessian-informed machine learning interatomic potential towards bridging theory and experiments [2.375567391359873]
Hessian-informed Machine Learning Interatomic potential (Hi-MLIP)を紹介する。
Hi-MLIPは曲率を確実に捉え、関連する熱力学および運動現象の正確な解析を可能にする。
我々は,高効率なトレーニングプロトコルであるヘッセンインフォームドトレーニング(HINT)を開発し,高価なヘッセンラベルの要求に対して2~4桁のスケール削減を実現した。
論文 参考訳(メタデータ) (2026-03-26T12:23:49Z) - A recipe for scalable attention-based MLIPs: unlocking long-range accuracy with all-to-all node attention [14.94564172199991]
AllScAIPは注意に基づく機械学習モデルで、O(1億)トレーニングサンプルにスケールする。
データ駆動のオールツーオールノードアテンションコンポーネントを使用して、長距離の課題に対処する。
本モデルでは,分子系のエネルギー/力の高精度化と,物理に基づく多くの評価を行う。
論文 参考訳(メタデータ) (2026-03-06T18:57:04Z) - Learning charges and long-range interactions from energies and forces [3.502816712907136]
我々は、原子電荷や電荷平衡を明示的に学習することなく、長距離静電気を捕捉するラテント・エワルド・サミエーション法を導入する。
荷電分子, イオン液体, 電解質溶液, 極性ジペプチド, 表面吸着剤, 電解質/固体界面, 固体界面など, 多様な, 困難なシステムについてLESをベンチマークした。
以上の結果から, LESは物理的部分電荷, 双極子モーメント, 四極子モーメントを効果的に推算できるとともに, 電荷を明示的に学習する手法と比較して精度が向上することが示唆された。
論文 参考訳(メタデータ) (2024-12-19T23:24:44Z) - 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]
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) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳(メタデータ) (2022-02-13T04:56:18Z) - 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)
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。