AIの活用により、10万原子超からなる全固体電池界面構造の高精度・長時間分子動力学シミュレーションを実現

2025年12月1日
富士通株式会社

当社は、このほど、全固体電池の性能を大きく左右する固体電解質界面層（solid electrolyte interphase、以下SEI）（注1）の形成過程について、これまで困難だった原子レベルでの構造解析を実現する、分子動力学（molecular dynamics、以下MD）シミュレーション技術を開発しました。本技術は、ニューラルネットワーク力場（neural netwok potential、以下NNP）（注2）を用いたMDシミュレーションにおいて、長時間にわたる安定的なシミュレーションを可能にする、知識蒸留技術（注3）を用いたNNPの訓練手法の開発により実現したものです。これにより、10万個を超える原子により構成した全固体電池の電解質膜と電極の界面構造（注4）の約10ナノ秒という長時間にわたる原子の挙動を、MDシミュレーションにより１週間の計算時間で高速、高精度に再現することが可能になりました。
本技術の革新性が認められ、公益財団法人電気科学技術奨励会（注5）による令和７年度「第73回電気科学技術奨励賞」を、2025年11月25日に受賞しました。また、当社は今後本技術を、当社の材料化学計算プラットフォーム「SCIGRESS」に搭載し、2026年3月までに提供を開始する予定です。

背景

近年、材料物性を原子レベルで高速・高精度に予測する手法として、NNPを用いたMDシミュレーションに注目が集まっています。特にこの数年では、様々な種類の材料を含む数千万件ものデータで訓練されたNNP（以下、公開NNP）が公開され、活用が広がりつつあります。
しかしながら、公開NNPを用いたMDシミュレーションでは、特に全固体電池のような複雑材料で、シミュレーション中に材料構造が崩壊するという問題がありました。さらに、大量データで訓練された多くの公開NNPでは、グラフニューラルネットワーク（graph neural network, 以下GNN）（注6）と呼ばれる、表現力は高いが計算速度が遅いアーキテクチャが採用されているため、10万原子を超える大規模系の長時間シミュレーションの計算には、1年以上を要すると見込まれ、現実的ではありませんでした。

開発技術について

このたび、当社は、大量データで訓練された公開NNPの知識を、多層パーセプトロン（multi layer perceptron、以下MLP）（注7）と呼ばれる計算が高速なアーキテクチャのNNPに転移することで、高精度な訓練を可能にする知識蒸留技術を開発しました（図1）。GNNで構成される公開NNPは、計算速度は遅いものの、数千万件ものデータで訓練されているために、知識量は豊富であると考えられます。一方で、MLPは計算が高速である反面、GNNと比較して単純な構造のアーキテクチャのため、表現力に劣るという課題がありました。そこで、公開NNPの持つ広範な知識と、シミュレーション対象の材料構造に特化した知識を、計算が高速なMLPで構成されたNNPに学習させることで、10万原子規模の大規模系の安定した長時間MDシミュレーションを、高速に実行することが可能になりました。

図1：開発した技術の概要

開発した技術による成果

開発した技術を、次世代電池である全固体電池の電解質膜と電極の界面(原子数127,296)に適用したところ、図2(b)に示すように、複雑な構造であったとしても、10ナノ秒にわたる安定した長時間MDシミュレーションを、約1週間の計算時間で実行できることを確認しました。その結果、これまで実験や既存のMDシミュレーションでは困難であった、全固体電池の性能を大きく左右するSEIの原子レベルでの構造解析を実現しました。SEI形成は、全固体電池の充放電サイクル寿命と安全性を決定づける現象であり、そのメカニズムの解明が望まれていました。本技術により、これまで未解明であった原子レベルでのSEIの形成プロセスが解析可能となり、SEI形成制御手法の開発の加速が期待されます。

図2：全固体電池の電解質膜と負極電極界面のNNP-MDシミュレーション結果。(a) 1,344原子での実施例。開発技術の適用により、界面構造が崩壊することなく高速計算を実現。(b)127,296原子での実施例。10万原子超の大規模系において、10ナノ秒の安定したMDシミュレーションを約1週間で実現。

今後について

今後当社は、開発したMDシミュレーション技術を、当社の技術である、大量のシミュレーション結果や実験結果の因果関係を高速に分析できる因果発見AIなどと連携させることで、コンピューティングとAIが材料開発を主導する新たな開発フローを確立し、お客様と共に新材料創出を目指します。

商標について

記載されている製品名などの固有名詞は、各社の商標または登録商標です。

注釈

注1　固体電解質界面層：
全固体電池の電極と固体電解質界面で形成される、非常に薄い不動態層。電極と電解質の初期反応や充放電サイクル中の分解生成物が堆積して形成され、リチウムイオン伝導性と電子絶縁性が求められる。電池の充放電サイクル寿命や安全性に大きく影響する。
注2　ニューラルネットワーク力場：

機械学習の手法の一つであるニューラルネットワークを用いて、原子間の相互作用を表す関数（力場）を構築するモデルのこと。第一原理計算（密度汎関数理論など）による高精度な計算結果を学習することで、大規模な原子系に対しても第一原理計算に近い精度で、かつ高速に原子のエネルギーや力を計算することが可能となる。
注3　知識蒸留技術：
機械学習におけるモデル訓練手法の一つ。大規模で複雑なモデル（教師モデル）が持つ知識を、よりコンパクトで高速なモデル（生徒モデル）に転移させる技術。教師モデルの出力（ソフトターゲット）を生徒モデルが学習することで、生徒モデルは教師モデルの性能を維持しつつ、計算効率を向上させることができる。
注4　界面構造：
物理学・化学において、異なる2つの相（例：固体と固体、液体と固体）が接する境界領域における原子や分子の配列、電子状態、相互作用のこと。電池においては、電極と電解質が接触する領域の微視的構造を指す。
注5　電気科学技術奨励会：
電気科学およびその関連分野の基礎ならびに応用技術に関する学術の研究を奨励・助成し、その振興を目的とする公益財団法人。
注6　グラフニューラルネットワーク：

グラフ構造データ（ノードとエッジで構成）を直接処理するニューラルネットワーク。ノード特徴量とエッジ関係性を学習し、グラフ構造を持つ材料や分子などのデータ解析に高い表現力を発揮する。計算量が多く、処理速度は比較的遅い傾向がある。
注7　多層パーセプトロン：
最も基本的なニューラルネットワーク構造の一つ。入力層、隠れ層、出力層で構成され、各層が前の層の出力を結合し次層へ伝播させる。シンプルで計算速度が速く、様々なタスクに適用可能。しかし、グラフ構造など複雑な関係性の直接的な表現力はGNNより低い。

当社のSDGsへの貢献について

2015年に国連で採択された持続可能な開発目標（Sustainable Development Goals：SDGs）は、世界全体が2030年までに達成すべき共通の目標です。当社のパーパス（存在意義）である「イノベーションによって社会に信頼をもたらし、世界をより持続可能にしていくこと」は、SDGsへの貢献を約束するものです。