Ep0-R｜LLZO-Li Dendrite Growth: DeepMDからML-IAP (Allegro) への世代交代

追記（2025-12-13）
本シリーズは方針を更新し、まず LLZO粒界におけるLi偏析・集積（短絡の前駆現象） を優先して解析します。最新ロードマップは 研究ノート（ハブ） をご覧ください。
なお本稿は「DeepMD世代 → E(3)等価なML-IAP（Allegro）へ移行する理由と全体像」を示す導入編として位置づけます（界面シナリオは後続ステップとして維持）。

H200 NVL × Quantum ESPRESSO / ML-IAP (Allegro) / LAMMPS
LLZO短絡（デンドライト／フィラメント）問題に対して、AIポテンシャルで高精度・高速に迫る次世代ワークフローを構築します。
DeepMDを用いた従来手法をベースに、E(3)等価性を備えたML-IAP (Allegro) へ移行し、GPUスケーラビリティと物理的整合性を両立します。
方針更新により、まずは「界面成長そのもの」ではなく、粒界（grain boundary）でのLi偏析・局在を短絡の前駆現象として定量化し、そこから界面シナリオへ接続していきます。

1. 背景：DeepMDの限界と次世代AI-MDの必要性

DeepMD は第一原理分子動力学（AIMD）の高速化を実現し、実用上の有力な選択肢として広く使われてきました。一方で、近年は E(3) 等価性（回転・反転を含む幾何対称性）をより明示的に扱えるモデルが登場し、少ないデータでの汎化や、複雑な局所環境（欠陥・界面・粒界など）への適用が議論されるようになっています。
ML-IAP (Allegro) は PyTorch ベースで E(3) 等価な表現を扱えるため、物理整合性と学習効率の観点で“次世代”として検証する価値があります。
また、大規模 GPU 構成ではモデル推論コストだけでなく、MD側（領域分割や近接リスト、通信など）の効率も支配的になります。本シリーズでは、LAMMPS（Kokkos） を含む実行系として、H200 NVL（NVLink/NVSwitch）での実効スループットも含めて評価します。

2. 新ワークフロー概要

  • QEでDFTデータ（構造・エネルギー・力・応力）生成（対象：まずLLZO粒界、後続で界面へ）
  • データを extxyz 等（Allegro/NequIP 学習に投入できる形式）へ変換し PyTorch で学習
  • LAMMPS (Kokkos) で AI-MD 実行（大規模セル・長時間・条件スイープ）
  • 解析（偏析・拡散・局在・クラスター等）＋ 3D HTML で可視化（“回せる3D”）

3. 初期結果

初期検証として、H200 NVL × 8 GPU 構成で従来 DeepMD 比 約 1.8× のスループットを確認しました（同一系・同一規模ベンチの範囲）。また、Li イオン経路をナノ秒スケールで安定追跡できる見通しが立ちました。
今後は、題材を「粒界×Li偏析（前駆現象）」に寄せつつ、H200 NVL（4GPU/8GPU）での再現性あるスケーリング実測と、KPI（D/Ea 等）を揃えて公開していきます。

4. 今後の展開

次稿 Ep1-R では、LLZO/Li 界面の構築と DFT データ準備から、Allegro 学習データへの変換までを解説します。
ただし、最新方針ではまず LLZO 粒界（grain boundary） のデータセット構築と Li 偏析・拡散の定量化を優先し、その知見を界面シナリオへ接続していきます（詳細はハブ記事参照）。

現在の進行状況と今後の予定（Ep0-R アップデート）

本シリーズで掲げた「QE × ML-IAP (Allegro) × LAMMPS」による AI-MD 基盤は、すでに GPU 版 Quantum ESPRESSO 7.4.1 を用いた DFT AIMD 実行段階に到達しており、AIMD から得られた全エネルギー・力・応力を含むラベル付きデータを extxyz 形式へ変換するパイプラインの整備を進めています。DeepMD 世代で培ったワークフローをベースにしつつ、E(3) 等価性を備えた ML-IAP (Allegro) で同じ物理を再現するための “橋渡し” を進めている状況です。

今後は、単一の LLZO/Li 界面だけでなく、バルク LLZO・バルク Li、温度や Li カバー率の異なる界面、軽いひずみを加えた構造などを Quantum ESPRESSO で追加サンプリングし、より広い状態空間をカバーする DFT データセットを構築していきます。
ただし公開順序・優先順位としては、まず LLZO 粒界（grain boundary）構造を追加サンプリングし、Li の偏析・集積・拡散（短絡の前駆現象）を定量化します。これらのデータは Ep1-R で扱う DFT データ生成ワークフロー、Ep2-R の Allegro 学習・H200 NVL 上でのスケーリング評価、Ep3-R の LAMMPS + ML-IAP による大規模 AI-MD と 3D 可視化へと順次接続していく予定です。粒界で得た知見を界面シナリオへ接続し、“世代交代”の実像と、短絡理解への近道を示していきます。