BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development

尽管机器学习力场（MLFF）已经广泛应用于固体和小分子，但在复杂液态电解质方面，应用MLFF仍存在显著差距。本文介绍了一种新的分子动力学（MD）模拟框架BAMBOO（ByteDance AI Molecular Simulation Booster），并展示了其在锂电池液态电解质方面的能力。我们设计了一个物理启发的图等变换器架构作为BAMBOO的骨干，以从量子力学模拟中学习。此外，我们开创了一种集成知识蒸馏方法，并将其应用于MLFF以提高MD模拟的稳定性。最后，我们提出了密度对齐算法，以将BAMBOO与实验测量结果对齐。BAMBOO展示了在各种溶剂和盐组合中预测关键电解质性质（如密度、粘度和离子电导率）方面的最新准确性。我们目前的模型在超过15种化学物质上进行了训练，与实验数据相比，在各种组成中实现了平均密度误差为0.01 g/cm^3。此外，我们的模型展示了对未包含在量子力学数据集中的分子的可转移性。我们预计这项工作将为开发一种能够模拟常见有机液体性质的“通用MLFF”铺平道路。

本文旨在介绍一个新的框架BAMBOO，用于分子动力学模拟中的液态电解质，以提高模拟精度。

文章采用物理启发式图等变换器架构作为BAMBOO的主干，学习量子力学模拟结果，并采用集成知识蒸馏方法来提高MD模拟的稳定性。

BAMBOO在预测电解质密度、粘度和离子电导率等关键性质方面表现出了最先进的精度，且具有可转移性。文章还提出了一种密度对齐算法，可以将BAMBOO与实验测量结果对齐。

近期的相关研究包括使用机器学习预测电解质性质的其他工作，如“Machine Learning for the Prediction of Ionic Liquid Properties”和“Machine Learning for the Prediction of Ionic Solvation Free Energies”等。