研究前沿：字节跳动，液体电解质-机器学习力场 | Nature Machine Intelligence

在固体和小分子中，机器学习力场machine learning force fields (MLFFs) 得到了广泛应用，但在将机器学习力场MLFF应用于模拟液体电解质（当前商用锂离子电池的关键组件）方面，依然存在显著差距。

今日，字节跳动人工智能研究团队Sheng Gong, Yumin Zhang, Zhenliang Mu，Weihao Gao, Wen Yan等，在Nature Machine Intelligence上发文，报道了字节跳动人工智能分子模拟助推器ByteDance Artificial intelligence Molecular simulation Booster (BAMBOO)，以用于分子动力学模拟的预测框架，并展示了在锂电池液体电解质方面的能力。

还设计了物理学仿生图形等变transformer架构，作为预测框架BAMBOO的主干，以从量子力学模拟中学习。还介绍了一种系综知识提取方法，并将其应用于机器学习力场MLFFS，以减少分子动力学模拟中，观测结果的波动。最后，提出了一种密度对齐算法，以对齐实验测量的BAMBOO。

在预测各种溶剂和盐组合的关键电解质性质（如密度、粘度和离子电导率）方面，预测框架BAMBOO表现出了最先进的准确性。与实验相比，在超过15种化学物质上，训练了当前模型，并在各种成分上，实现了0.01gcm-3平均密度误差。

液体电解质开发的预测机器学习力场框架。

图1: 字节跳动人工智能分子模拟助推器ByteDance Artificial intelligence Molecular simulation Booster，BAMBOO概述。

图2: GET分层、集成知识提取和密度对齐的效果。

图3: BAMBOO三种模拟LiFSI电解质的原子电荷分布和溶剂化结构分数。