研究ノート

研究ノート

原子の「谷」はどこにある？――H100×2でNbSe2の388構造を下見し、DFT 5点で確かめた

NbSe2の原子をどの方向へずらすとエネルギーが下がるのか。H100上の公開AIモデルV1で388条件を下見し、別枠の27原子DFT 5点で独立確認しました。二段階の意味を山の測量にたとえて解説します。

研究ノート

NbSe₂のCDWはどう変わる？――CPUで約36分、H100×2で約2分のMD実機比較

超伝導と電荷密度波が共存するNbSe₂で、なぜ原子の時間変化を追うのか。公開AllegroモデルによるCPU 64コアとH100×2の実測から、計算速度が研究の問いをどう広げるかを解説します。

研究ノート

GROMACS 溶媒和ΔGをGPUで回す：λ窓並列で意思決定を前倒し（A100実測→H200 NVLへ）

GROMACS 溶媒和ΔGをGPUで回す：λ窓並列で意思決定を前倒し（A100実測→H200 NVLへ） 前提（ここが大事） このページの数値は A100 80GB×4 での実測です。 販売対象の H200 NVL（1/4/8GPU） でも同じ考え方で、 「λ窓（＋replica/複数案件）を並列化して、壁時計を短縮」 できます。 H200 NVL向けには、お客様の系・条件に合わせて PoCで実測値を提示 します。 結論（先に要点） 同じΔGを再現 ：A100とH100で溶媒和ΔGは誤差内で一致（計算として妥当） A100→H100で壁時計短縮 ：4GP

研究ノート

LLZO粒界のLi-rich仮説を“支持”できた。だからこそGPUで仮説検証を高速に回す価値がある

LLZO粒界のLi-rich仮説を“支持”できた。だからこそGPUで仮説検証を高速に回す価値がある 先に全体像を見たい方へ： LLZO Fast-charge bottleneck map に、bulk / grain boundary / interface をまたいだ比較と、現時点での canonical な fixed stack をまとめています。 結論だけ先に ：今回の検証は、 「LLZOの粒界（GB）がLi-richになりやすい」傾向は“見えた（仮説を支持する方向）” （Li濃度ピーク比 ≈ 3.14× 、過剰面密度 Γ ≈ 15.0 #/n

研究ノート

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

研究ノート

H200 NVL: Li/LLZO DOS（Quantum ESPRESSO）

H200 NVL: Li/LLZO DOS（Quantum ESPRESSO） このページは notes（MkDocs）版へ移行中です。 TL;DR QEで SCF/NSCF → DOS を回す手順を、H200 NVL 前提で「再現できる形」に整理します。 GPU計算では 環境差（ドライバ/CUDA/ライブラリ） が効きやすいので、まずは最小の確認ポイントを押さえるのが近道です。 DOSは「計算が合っているか」の sanity check にも使えます（電子状態の差分が見える）。 このページで得られること QEでDOSを出す最小手順（何を揃えればOKか）

研究ノート

Ep2: QE GPU + Allegro training（H200 NVL）

Ep2: QE GPU + Allegro training（H200 NVL） このページは notes（MkDocs）版へ移行中です。 TL;DR H200 NVL 環境で QE（DFT）をGPU実行 し、得られたデータで Allegro/NequIP を学習 する流れを「再現できる形」に整理します。 つまずきやすいのは 環境差（ドライバ/ライブラリ/ビルド条件） と データ整形（学習フォーマット） です。ここでは最小の確認ポイントをまとめます。 「学習の反復を速く回す」なら 8GPU、「まず運用を固めて回す」なら 4GPU が合いやすい（最終は要件

研究ノート

Ep1: LLZO/Li interface（DFT + ML-IAP + Allegro）

Ep1: LLZO/Li interface（DFT + ML-IAP + Allegro） このページは notes（MkDocs）版へ移行中です。 TL;DR LLZO/Li 界面を題材に、 QE（DFT）→ 学習データ → Allegro/NequIP 学習 → 推論/AI-MD へ繋ぐ「界面編」です。 つまずきやすいのは 界面モデルの作り方（構造の整合） と 学習データのバランス（界面/バルク/欠陥など） です。 まずは「小さく完走する」最小構成を作り、必要に応じてサンプル数・バリエーションを増やします。 このページで得られること 界面（inte

研究ノート

LLZO短絡を粒界×Li偏析から解析｜QE×Allegro×LAMMPS（H200 NVL）

LLZO短絡（デンドライト）を最短で理解するため、まず粒界でのLi偏析・拡散を定量化。Quantum ESPRESSOでDFTデータ生成→Allegro/NequIP学習→LAMMPS(Kokkos)で大規模AI‑MDをH200 NVL 4/8GPUで実行し、D/EaなどのKPIと回せる3Dで共有します。

研究ノート

電池の中には見えない道がある：LLZOリチウムイオン経路を3D可視化

LLZO固体電解質の中でリチウムイオンがどのような道を通るのかを、Quantum ESPRESSO、DeepMD、LAMMPS、3D HTML可視化でたどる解説記事です。YouTube動画と回転できる3Dデモをあわせて掲載します。

研究ノート

Ep3-R｜LAMMPS(Kokkos)×ML-IAP(Allegro)：LLZO/Li界面の大規模AI-MDと3D可視化

ML-IAP(Allegro)ポテンシャルをLAMMPS(Kokkos)で実行し、LLZO/Li界面の大規模AI-MDを8GPUで高速スケーリング。Liイオン拡散経路を“回せる3D”で可視化し、次世代HPC材料解析の実力を示します。

研究ノート

【研究ノート Ep.2】LLZO–Li 界面の幾何最適化を GPU 版 Quantum ESPRESSO で安定・高速化

GPU最適化したQuantum ESPRESSOでLLZO/Li界面のジオメトリ最適化を実行。大量DFTデータ取得＋Allegro対応学習準備をシンプルに紹介します。