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

尽管机器学习力场（MLFF）在固体和小分子方面有广泛的应用，但在液态电解质方面应用MLFF仍存在明显差距。在本研究中，我们介绍了BAMBOO（字节跳动AI分子模拟增强器），这是一个新颖的分子动力学（MD）模拟框架，并演示了它在锂电池液态电解质领域的能力。我们设计了一个物理启发的图形等变换器架构作为BAMBOO的支撑，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来将BAMBOO与实验测量结果对齐。BAMBOO展示了预测各种溶剂和盐的组合的关键电解质性质（如密度、粘度和离子电导率）方面的最先进准确性。我们目前的模型已经训练了15多种化学物质，与实验数据相比，在各种组合中实现了平均密度误差为0.01 g/cm$^3$。此外，我们的模型还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实现能够模拟常见有机液体性质的“通用MLFF”铺平道路。

论文旨在介绍一种新的分子动力学模拟框架BAMBOO，用于解决将机器学习力场（MLFF）应用于复杂液态电解质的问题。

BAMBOO采用物理启发式图等变换器架构作为主干，通过学习量子力学模拟来实现对液态电解质的模拟。此外，论文还采用了集成知识蒸馏方法来提高MD模拟的稳定性，并提出了密度对齐算法来将BAMBOO与实验测量结果对齐。

论文展示了BAMBOO在预测各种溶剂和盐组合的电解质密度、粘度和离子导电性等关键性质方面的最新准确性。该模型在15种以上的化学物质上进行了训练，与实验数据相比，平均密度误差为0.01 g/cm$^3$。此外，该模型还展示了对量子力学数据集中未包含的分子的可迁移性。

最近的相关研究包括使用MLFF模拟液态电解质的其他方法，如神经网络势函数和基于深度学习的力场。