화학 전이성과 기계 학습 상간 잠재력을 이용한 이온 액체 시뮬레이션의 정확성

이온 액체(IL)는 에너지 저장, 반응 수행을 위한 용매, 분자 가스를 저장하기 위한 유체 등 다양한 분야에 응용되는 흥미로운 전해질 클래스입니다. 더 나아가 IL은 복잡한 물리화학적 특성을 가진 유체를 형성하기 위해 혼합할 수 있는 ``디자이너'' 용매로 홍보되었습니다. 이러한 특성을 예측하기 위해, 고전적인 분자 동역학(MD)이 종종 IL의 동역학을 시뮬레이션하기 위해 사용되지만, 이는 계산적으로 저렴합니다. 그러나 그 정확성은 종종 의문시되며, 이는 일부 연구자들이 밀도 함수 이론(DFT)을 사용하도록 자극하지만, DFT는 비용이 지나치게 비쌀 수 있어 시스템 크기와 시간 척도에 심각한 제한을 imposes합니다. 기계 학습 상간 잠재력(MLIP)은 이 시뮬레이션 격차를 메우는 방법을 제공하여 DFT보다 저렴한 방법을 제공하지만, 정확성의 유의미한 손실 없이 가능합니다. IL에 대한 MLIP 사용은 아직 상대적으로 탐구되지 않았기 때문에, MLIP가 IL의 영역에서 혁신적일 수 있는지에 대한 몇 가지 답변되지 않은 질문이 남아 있습니다. IL은 종종 순수하지 않고 서로 혼합되거나 첨가제가 포함되므로, 우리는 먼저 MLIP가 화학적으로 전이 가능하도록 훈련될 수 있음을 보여줍니다. 이는 염-IL을 테스트 케이스로 사용하여 소수의 조성만으로 훈련됩니다. 전이 가능한 모델을 훈련할 수 있음을 입증한 후, 우리는 200개 미만의 DFT 프레임으로 훈련된 새로운 IL에 대한 ML IP의 정확성을 조사합니다. 이 모델의 예측을 테스트하기 위해, 우리는 이것을 DFT 및 실험과 비교하고, 합리적인 일치를 발견합니다. 전반적으로 우리는 이러한 결과가 IL 및 그 복합 혼합물에 대한 MLIP의 향후 개발을 위한 가이드로 사용될 수 있기를 바랍니다.