【事例集】材料モデリングのための機械学習力場シュレーディンガー

Machine-learned force fields活用事例をご紹介

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。

Schrodinger Materials Science

基本情報【事例集】材料モデリングのための機械学習力場

【掲載事例】
1. 液体電解質のための高次元ニューラルネットワーク力場

2. ポリマー向けのスケーラブルで汎用性のあるMLFFの開発

3. イオン液体向けの機械学習による適合力場

シュレーディンガーは、幅広いアプリケーションにおいて正確な分子動力学シミュレーションを可能にし、高速かつ高精度な複雑な材料システムのモデリングを実現するため、先進的な機械学習による力場の開発に焦点を当てた研究サービスを提供しています。

※お気軽にお問い合わせ下さい。

価格帯	お問い合わせください
納期	お問い合わせください
用途／実績例	※詳しくは、お気軽にお問い合わせ下さい。

取扱企業【事例集】材料モデリングのための機械学習力場

シュレーディンガー株式会社

【ソフトウェア開発・販売】 ■高速分子シミュレーションにより、ポリマー、有機EL、半導体をはじめとして、さまざまな材料開発を総合支援する Materials Science Suite ■計算化学の導入障壁を取り除く、データ蓄積・活用ソリューション LiveDesign ■創薬およびバイオテクノロジー研究を加速する、化学シミュレーション・ソフトウェア【ソリューション提案・コラボレーション・共同研究】お客様のご状況に応じて、各分野の専門サイエンティストが適切なソリューションをご提案いたします。グローバルな医薬品会社、材料会社との共同研究の実績がございます。