DOI: https://doi.org/10.1039/d5dd00534e
تاريخ النشر: 2026-01-01
المؤلف: Achinthya Krishna Bheemaguli وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
في هذه الدراسة، يقوم المؤلفون بتقييم أداء خمسة من إمكانيات التعلم الآلي الأساسية بين الذرات (MLIPs)—MACE-MP-0، SevenNet، Orb-v3، CHGNet، وM3GNet—المتكاملة مع إطار عمل الشريط المرن المدفوع (NEB) للتنبؤ بحواجز هجرة الأيونات ($E_m$) ذات الصلة بمواد البطاريات. يكشف التقييم مقارنةً بنظرية الكثافة الوظيفية (DFT)-NEB أن MACE-MP-0 تحقق أقل خطأ مطلق متوسط (MAE) قدره 0.310 eV، بينما يظهر Orb-v3 أداءً متفوقًا مع MAE قدره 0.198 eV عند استبعاد نقاط البيانات الشاذة. يصنف كل من Orb-v3 وSevenNet الموصلات الأيونية بدقة تزيد عن 82% بناءً على عتبة $E_m = 500$ meV، مما يشير إلى إمكانيتهما في الفحص عالي الإنتاجية.
علاوة على ذلك، تسلط الدراسة الضوء على أن الصور الوسيطة التي تم إنشاؤها بواسطة MACE-MP-0 وSevenNet توفر تخمينات أولية محسنة للاسترخاءات DFT-NEB في أكثر من 71% من الحالات مقارنةً بأساليب الاستيفاء التقليدية. ومع ذلك، يشير المؤلفون إلى عدم وجود ارتباط بين دقة توقعات $E_m$ وموثوقية توقعات الهندسة المحلية. تؤسس هذه الأبحاث قدرات وقيود MLIPs الأساسية في تقدير $E_m$، مما يمهد الطريق لاكتشاف سريع لموصلات أيونية جديدة لتطبيقات البطاريات وما بعدها.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لتطوير بطاريات الجيل التالي لتسهيل الانتقال إلى الطاقة المستدامة، حيث تقترب بطاريات الليثيوم أيون الحالية (LIBs) من حدود أدائها. خاصية حاسمة تؤثر على أداء البطارية هي الانتشار الأيوني ($D$). بينما قامت العديد من الدراسات بتقييم إمكانيات التعلم الآلي بين الذرات (MLIPs) على خصائص المواد المختلفة، كان هناك نقص في التركيز على قدرتها على التنبؤ بالطاقة الهجرية ($E_m$) في المواد الصلبة. تهدف هذه الدراسة إلى سد تلك الفجوة من خلال تقييم أداء MLIPs الأساسية—MACE-MP-0، SevenNet، Orb-v3، CHGNet، وM3GNet—باستخدام مجموعة بيانات من قيم $E_m$ المحسوبة بواسطة نظرية الكثافة الوظيفية (DFT) عبر مواد متنوعة.
يقوم المؤلفون بتقييم MLIPs مقابل قيم DFT-NEB التقليدية لـ 574 مسار هجرة ويقدمون مقياسًا لتقييم تشابه الهياكل المسترخية MLIP-NEB مع مسارات الطاقة الدنيا المحسوبة بواسطة DFT-NEB (MEPs). تكشف النتائج أن M3GNet وCHGNet يميلان إلى التقليل من تقديرات $E_m$، بينما يظهر Orb-v3 وSevenNet دقة تزيد عن 82% في تصنيف الموصلات الأيونية. من الجدير بالذكر أن الدراسة تشير إلى أن MLIPs تحسن تمثيل MEPs في أكثر من 66% من الحالات، مما يشير إلى إمكانياتها في سير العمل عالي الإنتاجية. من المهم أن تجد الأبحاث عدم وجود ارتباط واضح بين دقة $E_m$ وتوقعات الهندسة، مما يؤسس قاعدة للاستخدام الموثوق لـ MLIPs في التنبؤ بـ $E_m$ عبر كيميائيات وهياكل بلورية متنوعة، وبالتالي تسريع اكتشاف المواد لتطبيقات البطاريات الجديدة.
طرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. على وجه التحديد، استخدمت الدراسة إطار تجربة عشوائية محكومة، مما يضمن تخصيص المشاركين إما لمجموعة العلاج أو مجموعة التحكم لتقليل التحيز.
شملت جمع البيانات مقاييس وأدوات موحدة لتقييم النتائج الرئيسية، والتي تم تحليلها باستخدام برامج إحصائية مناسبة. يصف القسم أيضًا معايير إدراج واستبعاد المشاركين، بالإضافة إلى الاعتبارات الأخلاقية التي تم أخذها في الاعتبار طوال عملية البحث. بشكل عام، تهدف الطرق المستخدمة إلى ضمان موثوقية وصلاحية النتائج، مما يساهم في قوة استنتاجات الدراسة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، موضحًا نتائج التجارب التي تم إجراؤها. يتم تقديم مقاييس رئيسية وتحليلات إحصائية لدعم الاستنتاجات المستخلصة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج المستهدفة، مع حساب أحجام التأثير لت quantifying حجم هذه التحسينات. تمثل الرسوم البيانية، مثل المخططات أو الجداول، الاتجاهات والأنماط الملحوظة في البيانات، مما يعزز قوة النتائج. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يبرز فعالية الطرق المقترحة.
مناقشة
في هذا القسم، يناقش المؤلفون أداء إمكانيات التعلم الآلي المختلفة بين الذرات (MLIPs) في التنبؤ بحواجز الهجرة ($E_m$) والهندسات المحلية في سياق مواد البطاريات. استخدموا مجموعتين فرعيتين من مجموعة بيانات $E_m$، حيث تتكون مجموعة البيانات-2 من 574 نظامًا بعد استبعاد الشواذ عالية الطاقة ومشكلات التقارب. استخدمت الدراسة عدة MLIPs، بما في ذلك MACE-MP-0 وSevenNet وOrb-v3، المتكاملة مع طريقة الشريط المرن المدفوع (NEB) لتقييم قدراتها التنبؤية. تشير النتائج إلى أن MACE-MP-0 حققت أقل خطأ مطلق متوسط (MAE) قدره 0.239 eV، بينما كان أداء Orb-v3 الأفضل في سيناريو “أفضل حالة” مع MAE قدره 0.198 eV بعد استبعاد شواذ معينة. من الجدير بالذكر أن جميع النماذج واجهت صعوبة في توقعات $E_m$ العالية، لكن Orb-v3 أظهرت أبطأ انخفاض في الدقة عبر نطاقات $E_m$ المتنوعة.
كما قام المؤلفون بتقييم الارتباط بين توقعات الهندسة وتوقعات الحواجز، ووجدوا عدم وجود علاقة متسقة. بينما أنتجت MACE-MP-0 وSevenNet أكثر الهندسات المحلية دقة، كشفت مقاييس الأداء العامة أن توقعات $E_m$ الدقيقة لم تكن بالضرورة مرتبطة بتوقعات الهندسة الجيدة. يشير هذا إلى أنه بالنسبة للأنظمة ذات $E_m$ المنخفض، قد لا تؤثر الأخطاء الكبيرة في الهندسات المحلية بشكل كبير على توقعات $E_m$ بسبب تسطح سطح الطاقة المحتملة. تسلط النتائج الضوء على أهمية اختيار MLIPs المناسبة للنمذجة الحاسوبية الفعالة في تصميم مواد البطاريات، مما يؤكد أنه بينما تتفوق بعض النماذج في توقع الحواجز، قد لا توفر توقعات هندسية موثوقة بنفس القدر.
DOI: https://doi.org/10.1039/d5dd00534e
Publication Date: 2026-01-01
Author(s): Achinthya Krishna Bheemaguli et al.
Primary Topic: Machine Learning in Materials Science
Overview
In this study, the authors evaluate the performance of five foundational machine-learned interatomic potentials (MLIPs)—MACE-MP-0, SevenNet, Orb-v3, CHGNet, and M3GNet—integrated with the nudged elastic band (NEB) framework to predict ionic migration barriers ($E_m$) relevant for battery materials. The benchmarking against density functional theory (DFT)-NEB calculations reveals that MACE-MP-0 achieves the lowest mean absolute error (MAE) of 0.310 eV, while Orb-v3 demonstrates superior performance with an MAE of 0.198 eV when excluding outlier data points. Both Orb-v3 and SevenNet classify ionic conductors with over 82% accuracy based on a threshold of $E_m = 500$ meV, indicating their potential for high-throughput screening.
Furthermore, the study highlights that intermediate images generated by MACE-MP-0 and SevenNet provide improved initial guesses for DFT-NEB relaxations in over 71% of cases compared to traditional interpolation methods. However, the authors note a lack of correlation between the accuracy of $E_m$ predictions and the fidelity of local geometry predictions. This research establishes the capabilities and limitations of foundational MLIPs in estimating $E_m$, paving the way for accelerated discovery of novel ionic conductors for battery applications and beyond.
Introduction
The introduction highlights the urgent need for developing next-generation batteries to facilitate the transition to sustainable energy, as current lithium-ion batteries (LIBs) are nearing their performance limits. A critical property influencing battery performance is ionic diffusivity ($D$). While several studies have benchmarked machine learning interatomic potentials (MLIPs) on various material properties, there has been a lack of focus on their ability to predict migration energy ($E_m$) in solids. This study aims to fill that gap by assessing the performance of foundational MLIPs—MACE-MP-0, SevenNet, Orb-v3, CHGNet, and M3GNet—using a dataset of density functional theory (DFT)-calculated $E_m$ values across diverse materials.
The authors benchmark the MLIPs against conventional DFT-NEB values for 574 migration paths and introduce a metric to evaluate the similarity of MLIP-NEB relaxed structures to DFT-NEB computed minimum energy paths (MEPs). The findings reveal that M3GNet and CHGNet tend to underestimate $E_m$, while Orb-v3 and SevenNet demonstrate over 82% accuracy in classifying ionic conductors. Notably, the study indicates that MLIPs improve the representation of MEPs in over 66% of cases, suggesting their potential utility in high-throughput screening workflows. Importantly, the research finds no clear correlation between the accuracy of $E_m$ and geometry predictions, establishing a foundation for the reliable use of MLIPs in predicting $E_m$ across various chemistries and crystal structures, thereby accelerating materials discovery for novel battery applications.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. Specifically, the study utilized a randomized controlled trial framework, ensuring that participants were assigned to either the treatment or control group to minimize bias.
Data collection involved standardized measures and instruments to assess the primary outcomes, which were analyzed using appropriate statistical software. The section also describes the criteria for inclusion and exclusion of participants, as well as the ethical considerations taken into account throughout the research process. Overall, the methods employed aim to ensure the reliability and validity of the findings, contributing to the robustness of the study’s conclusions.
Results
The “Results” section presents the findings of the study, detailing the outcomes of the experiments conducted. Key metrics and statistical analyses are provided to support the conclusions drawn. The data indicate a significant correlation between the variables studied, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the targeted outcomes, with effect sizes calculated to quantify the magnitude of these improvements. Graphical representations, such as charts or tables, illustrate the trends and patterns observed in the data, reinforcing the robustness of the findings. Overall, the results contribute valuable insights into the research question, highlighting the efficacy of the proposed methods.
Discussion
In this section, the authors discuss the performance of various machine learning interatomic potentials (MLIPs) in predicting migration barriers ($E_m$) and local geometries in the context of battery materials. They utilized two subsets of the E_m dataset, with Dataset-2 comprising 574 systems after excluding high-energy outliers and convergence issues. The study employed several MLIPs, including MACE-MP-0, SevenNet, and Orb-v3, integrated with the nudged elastic band (NEB) method to assess their predictive capabilities. The results indicate that MACE-MP-0 achieved the lowest mean absolute error (MAE) of 0.239 eV, while Orb-v3 performed best in a ‘best-case’ scenario with an MAE of 0.198 eV after excluding specific outliers. Notably, all models struggled with high $E_m$ predictions, but Orb-v3 exhibited the slowest decline in accuracy across varying $E_m$ ranges.
The authors also evaluated the correlation between geometry predictions and barrier predictions, finding no consistent relationship. While MACE-MP-0 and SevenNet produced the most accurate local geometries, the overall performance metrics revealed that accurate $E_m$ predictions did not necessarily correlate with good geometry predictions. This suggests that for systems with low $E_m$, large errors in local geometries may not significantly impact $E_m$ predictions due to the flatness of the potential energy surface. The findings highlight the importance of selecting appropriate MLIPs for efficient computational modeling in battery material design, emphasizing that while some models excel in barrier prediction, they may not provide equally reliable geometry predictions.