主要成果
研究チームは、ナトリウム金属電極と有機電解質の界面における保護膜「固体電解質界面（SEI）」の形成プロセスを解明するため、電荷を考慮したニューロエボリューションポテンシャル（qNEP）を導入しました。この手法により、従来の機械学習ポテンシャルが到達していた約100ピコ秒という極めて短い時間制限を突破し、約1,000原子のシステムにおいて100ナノ秒という、2〜3桁長いシミュレーション時間を達成しました。また、約27,000原子の大規模システムにおいても、数十ナノ秒スケールのシミュレーションが可能であることが示されました。
技術・詳細
qNEPの構築には、「Interface Reactor」サンプリング戦略に基づいた3つの柱が採用されています。第一に、高温での第一原理分子動力学（ab initio MD）サンプリングを行い、記述子空間のカバー範囲を広げて局所的な原子環境のエルゴード性を向上させました。第二に、アクティブラーニング中の重要なノードに短時間の第一原理シミュレーションを注入し、物理的に不適切なエネルギー経路への逸脱を防いでいます。第三に、フッ化ナトリウムや酸化ナトリウムなどの無機生成物と、有機分解中間体を系統的にトレーニングセットに組み込みました。
モデルの学習はGPUMDパッケージを用い、4基のRTX 4090 GPUで約2日間で完了しました。学習パラメータ数は6元素に対して22,633個と少なく、データ効率の高さが示されています。精度面では、トレーニングセットにおけるエネルギーの平均二乗誤差（RMSE）が10.50 meV/atom、力の誤差が251.89 meV/Åとなりました。これは、広く利用されているReaxFFの力場が同じセットで示した誤差（9,680 meV/Å）よりも約38倍精度が高く、計算速度はReaxFFより約1桁、第一原理MDより約6桁高速です。
背景・業界の文脈
ナトリウム電池は、資源が豊富で安価であり、既存のリチウムイオン電池の製造インフラを転用できるため、グリッドスケールのエネルギー貯蔵技術として期待されています。しかし、充電初期に電解質がアノード表面で分解して形成されるSEIというナノメートル規模の薄膜が、電池の効率や容量維持を左右します。このSEIは電子を遮断しつつナトリウムイオンのみを透過させる必要がありますが、その形成過程は極めて高速で反応性が高く、X線光電子分光法や透過電子顕微鏡などの従来の実験手法（ex situやアンサンブル平均の snapshot）では直接観察することが困難でした。
今後の展望
本モデルは、標準的な機械学習ポテンシャルが欠いていた「学習可能な原子電荷」を組み込んでいるため、異なる化学状態の原子を区別し、電解質分解時の電荷移動やナトリウムイオンの移動を追跡できます。研究チームはこのツールを用いて、3種類のカーボネート（エチレンカーボネート、ジメチルカーボネート、プロピレンカーボネート）と2種類のエーテル（ジメトキシエタン、ジグライム）の電解質をシミュレーションし、電解質のクラスによって分解経路が根本的に異なることを明らかにしました。これにより、より高性能なナトリウム電池のための界面設計への道が開かれます。
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
