【事例集】材料モデリングのための機械学習力場V2023

当社のMaterials Science Suiteは、幅広い材料研究分野への対応が可能です。

■密度汎関数理論(DFT)計算・周期系第一原理計算による物性予測
HOMO/LUMO/pKa/溶媒効果/IR/Raman/UV-vis/VCD/NMR/ 酸化・還元ポテンシャル/ 3重項励起状態エネルギー/TADF S1-Txギャップ/蛍光/りん光/振動計算/ 構造最適化/遷移状態計算/反応経路解析/吸着エネルギー/結合解離エネルギー/ 電子・ホール移動度/再配向(再配列、再配置)エネルギー

■分子力学(MM)法・分子動力学(MD)法・粗視化MDによる物性予測
密度/配座解析/架橋構造/ヤング率/粘度/表面張力/ ガラス転移温度(Tg)/分子拡散/熱膨張/結晶形態/ 膨潤/応力ひずみ曲線/溶解度パラメータ
機械学習で使用可能な手法
様々な記述子・フィンガープリント生成/ 部分的最小二乗回帰(PLS)法/重回帰分析(MLR)/主成分回帰(PCR)/カーネルPLS法/ ベイズ分類/再帰分割(RP)分析/自己組織化マップ/Tg・誘電率・沸点・蒸気圧予測モデル/ 遺伝的アルゴリズム/アクティブラーニング （詳細を見る）

当資料では、Schrodingerが取り扱う『Materials Science Suite』による
機械学習と材料特性予測について紹介しています。

当製品は、強力で使いやすいインフォマティクス統合環境を備えています。

簡単なGUI操作により、たとえば分子構造のフィンガープリントを活用して
実験やシミュレーションのデータを解析することで、分子構造と物性値の
関係性を可視化することや、機械学習モデルを構築して新たな分子構造の
物性値を予測が可能です。

【掲載内容】
■背景
■ガラス転移温度
■ポリマー物性の予測
■フィンガープリントを用いたKPLS回帰
■さらなる展開

※詳しくはPDF資料をご覧いただくか、お気軽にお問い合わせ下さい。 （詳細を見る）

機械学習による力場（Machine-learned force fields、MLFF）は、原子や分子間の相互作用を正確にモデル化するために機械学習モデルを取り入れることで、従来の力場を改良するために設計されています。この技術は、ニューラルネットワークポテンシャルエネルギー曲面（NN-PES）アーキテクチャに基づいており、モデルは化学的な精度で系の全電子エネルギーを再現するように訓練されます。

初期構造生成のためのOPLS4、高速DFTおよびMDエンジン、および主要なMLFF手法の組み合わせにより、シュレディンガーはMLFF生成のリーディングパートナーとなっています。このアプリケーションノートでは、QRNN技術の応用について、液体電解質、ポリマー、およびイオン液体という材料科学の3つの異なる領域でのモデリングを紹介しています。 （詳細を見る）