カソード材料のためのマルチフィデリティ機械学習力場に向けて

本研究では、機械学習力場（MLFF）の新しいフレームワークを提案し、リチウムイオン電池のカソード材料に特化してデータ効率を高めることを目指しています。従来のMLFFは原子構造をエネルギーにマッピングするためにニューラルネットワークを利用し、高精度な第一原理計算と計算効率の高い経験的力場を融合する手法ですが、カソード材料の場合は電子構造の複雑さと高品質なコンピュータデータセットの不足が課題でした。この新たに開発されたマルチフィデリティアプローチは、非磁性と磁性の低・高精度データセットを同時に利用してMLFFのトレーニングを行い、リチウムマンガン鉄リン酸（LMFP）カソード材料システムでその有効性が実証されました。この方法により、カソード材料のMLFFトレーニングをより低コストで高精度に実施できる可能性が示され、新しい計算シミュレーションの視点が得られます。