Research Note Ep0: LLZO + Li + ML-IAP + Allegro
Research Note Ep0: LLZO + Li + ML-IAP + Allegro このページは notes（MkDocs）版へ移行中です。 TL;DR LLZO短絡問題に対し、 QE × ML-IAP（Allegro/NequIP） × LAMMPS で「再現可能に回る」ワークフローを作る導入編です。 DeepMD系ワークフローを土台にしつつ、 E(3)等価 なモデル（Allegro）へ移行する理由と評価観点を整理します。 まずは 粒界（grain boundary）でのLi偏析・局在 を前駆現象として定量化し、後続で界面シナリオへ接続しま
Research Note Ep0: LLZO + Li + ML-IAP + Allegro
<!-- SG-POST-STUB-START -->
このページは notes（MkDocs）版へ移行中です。
TL;DR
- LLZO短絡問題に対し、QE × ML-IAP（Allegro/NequIP） × LAMMPS で「再現可能に回る」ワークフローを作る導入編です。
- DeepMD系ワークフローを土台にしつつ、E(3)等価なモデル（Allegro）へ移行する理由と評価観点を整理します。
- まずは 粒界（grain boundary）でのLi偏析・局在 を前駆現象として定量化し、後続で界面シナリオへ接続します。
このシリーズのワークフロー（全体像）
- QE: DFTデータ生成（構造/エネルギー/力/応力）
- 変換: 学習用フォーマット（extxyz等）へ整形
- 学習: NequIP/Allegro（PyTorch）でトレーニング
- AI-MD: LAMMPS（Kokkos）で条件スイープ・長時間MD
- 解析: 偏析/拡散/局在などを解析し、必要なら3D可視化
このページで得られること
- 「何をどの順番で準備すればAI-MDが回るか」の地図
- 4GPU/8GPUの考え方（どこがボトルネックになりやすいか）
- 次に読むべきページ（Ep1/Ep2/解析）の導線
次に読むページ
相談・見積
→ お問い合わせ
<!-- SG-POST-STUB-END -->
---