🔬 materials science

Comparing fine-tuning strategies of MACE machine learning force field for modeling Li-ion diffusion in LiF for batteries

यह अध्ययन प्रदर्शित करता है कि न्यूनतम डेटा (मात्र 300 बिंदुओं) के साथ पूर्व-प्रशिक्षित MACE-MPA-0 मॉडल को फाइन-ट्यून करने से LiF में लिथियम प्रसार के लिए वैसी ही भविष्य कहने वाली सटीकता प्राप्त होती है जैसी कि 40,000 से अधिक डेटा बिंदुओं पर प्रशिक्षित DeePMD मॉडल की होती है, जो बैटरी अनुसंधान में मौलिक ML फोर्स फील्ड्स की दक्षता को रेखांकित करता है।

मूल लेखक: Nada Alghamdi, Paolo de Angelis, Pietro Asinari, Eliodoro Chiavazzo

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nada Alghamdi, Paolo de Angelis, Pietro Asinari, Eliodoro Chiavazzo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: बैटरी को एक "स्मार्ट गाइड" की ज़रूरत है

कल्पना कीजिए कि एक लिथियम-आयन बैटरी (जो आपके फोन या कार में होती है) एक व्यस्त राजमार्ग (हाईवे) की तरह है। इस राजमार्ग के अंदर, लिथियम आयन नामक छोटे कण कारों की तरह हैं, जो ऊर्जा को स्टोर करने या रिलीज करने के लिए एक तरफ से दूसरी तरफ जाने की कोशिश कर रहे हैं।

"सड़कों" (इलेक्ट्रोड्स) और "ट्रैफिक" (इलेक्ट्रोलाइट) के बीच, एक विशेष, अव्यवस्थित निर्माण क्षेत्र है जिसे SEI (सॉलिड इलेक्ट्रोलाइट इंटरफेस) कहा जाता है। यह सड़क पर बनी कीचड़ और मलबे की एक सुरक्षात्मक परत की तरह है। यदि यह परत बहुत मोटी या अस्थिर हो जाती है, तो कारें फंस जाती हैं, बैटरी खत्म हो जाती है, या इससे भी बुरा—इसमें आग लग सकती है।

इसे ठीक करने के लिए, वैज्ञानिकों को यह समझने की आवश्यकता है कि ये लिथियम "कारें" इस कीचड़ के माध्यम से बिल्कुल कैसे चलती हैं। लेकिन उन्हें चलते हुए देखना अविश्वसनीय रूप से कठिन है क्योंकि:

वे बहुत तेज़ चलती हैं (एक सेकंड में खरबों बार)।
वे सामान्य सूक्ष्मदर्शी (माइक्रोस्कोप) से देखने के लिए बहुत छोटी हैं।
पारंपरिक गणित के साथ उनका अनुकरण (सिमुलेशन) करना एक रेगिस्तानी तूफान में रेत के हर एक कण के रास्ते की गणना करने की कोशिश करने जैसा है—इसमें बहुत अधिक कंप्यूटर पावर और समय लगता है।

समाधान: AI फोर्स फील्ड्स (एक "स्मार्ट जीपीएस")

यहाँ मशीन लर्निंग फोर्स फील्ड्स (MLFFs) का प्रवेश होता है। इन्हें परमाणुओं के लिए एक "स्मार्ट जीपीएस" के रूप में सोचें। हर बार भौतिकी (फिजिक्स) की गणना शून्य से करने के बजाय, AI उदाहरणों का अध्ययन करके सड़क के नियमों को सीख लेता है। एक बार प्रशिक्षित होने के बाद, यह तुरंत भविष्यवाणी कर सकता है कि परमाणु कैसे चलेंगे, जिससे वैज्ञानिक उन सिमुलेशन को चला सकते हैं जिनमें सामान्यतः वर्षों लग जाते, लेकिन अब वे कुछ ही घंटों में पूरे हो जाते हैं।

यह पेपर इन "स्मार्ट जीपीएस" प्रणालियों के दो प्रकारों की तुलना करता है:

DeePMD: एक बहुत ही सटीक लेकिन "कड़ी मेहनत करने वाला" जीपीएस जिसे भारी मात्रा में डेटा पर प्रशिक्षित होने की आवश्यकता होती है (जैसे एक छात्र जिसने परीक्षा पास करने के लिए 40,000 किताबें पढ़ी हों)।
MACE: एक नया, "फाउंडेशनल" जीपीएस। इस "जीनियस छात्र" के बारे में सोचें जिसने पहले से ही पूरा इंटरनेट (लाखों डेटा पॉइंट्स) पढ़ लिया है और रसायन विज्ञान के सामान्य नियमों को जानता है। उसे बस एक विशिष्ट कार्य को संभालने के लिए थोड़े से विशेष प्रशिक्षण की आवश्यकता है।

प्रयोग: जीनियस छात्र को सिखाना

शोधकर्ताओं ने यह देखना चाहा कि क्या वे MACE "जीनियस छात्र" (जो पहले से ही बहुत कुछ जानता है) को लेकर उसे LiF (उस सुरक्षात्मक बैटरी कीचड़ का एक मुख्य घटक) नामक एक विशिष्ट सामग्री के माध्यम से लिथियम के संचलन की भविष्यवाणी करने के लिए फाइन-ट्यून कर सकते हैं।

उन्होंने MACE को सिखाने के लिए दो अलग-अलग तरीके आजमाए:

रणनीति A: "चीट शीट" विधि
उन्होंने वह डेटा लिया जो पहले से ही कड़ी मेहनत करने वाले DeePMD छात्र (वह जिसने 40,000 किताबें पढ़ी थीं) द्वारा उत्पन्न किया गया था। उन्होंने MACE को इस डेटा का एक छोटा सा "चीट शीट" दिया (केवल 300 उदाहरण) जिससे वह सीख सके।

परिणाम: MACE ने LiF सड़क के विशिष्ट नियमों को लगभग पूरी तरह से सीख लिया, जो कड़ी मेहनत करने वाले छात्र की सटीकता से मेल खाता है, लेकिन उसने केवल 1% डेटा का उपयोग किया।

रणनीति B: "स्व-शिक्षित" विधि
उन्होंने DeePMD चीट शीट का उपयोग नहीं किया। इसके बजाय, उन्होंने MACE को अपने आप घूमने दिया, दिलचस्प जगहों को चुनने दिया, और फिर उन विशिष्ट जगहों की जांच करने के लिए एक अत्यंत सटीक (लेकिन धीमी) भौतिकी कैलकुलेटर (DFT) का उपयोग किया। उन्होंने MACE को प्रशिक्षित करने के लिए इस नए, छोटे डेटासेट का उपयोग किया।

परिणाम: इस "स्व-शिक्षित" दृष्टिकोण के साथ भी, MACE ने कड़ी मेहनत करने वाले छात्र के समान ही प्रदर्शन किया।

मुख्य निष्कर्ष (अहा! क्षण)

कम ही अधिक है (Less is More): आधुनिक AI को प्रशिक्षित करने के लिए आपको 40,000 उदाहरणों की आवश्यकता नहीं है। यदि आप एक ऐसे मॉडल के साथ शुरुआत करते हैं जो बुनियादी बातें पहले से जानता है (जैसे MACE), तो आपको विशेषज्ञ बनाने के लिए केवल कुछ सौ उदाहरणों की आवश्यकता होती है। यह एक पेशेवर शेफ को एक नई रेसिपी सिखाने जैसा है; उन्हें सब्जियां काटने के लिए फिर से सीखने की आवश्यकता नहीं है, उन्हें बस विशिष्ट सामग्रियों की सूची चाहिए।
"नॉक-ऑफ" डांस: शोधकर्ताओं ने खोजा कि लिथियम कैसे चलता है। यह केवल खाली जगह में नहीं फिसलता है। यह एक "म्यूजिकल चेयर्स" के खेल की तरह है जहाँ एक लिथियम परमाणु अपने पड़ोसी को उसकी सीट से धकेल देता है, उनकी जगह ले लेता है, और पड़ोसी नया "मुक्त" परमाणु बन जाता है। यह "नॉक-ऑफ" डांस बैटरी की गति को समझने के लिए महत्वपूर्ण है।
डेटा की मात्रा > डेटा की गुणवत्ता: यह केवल इस बारे में नहीं था कि MACE ने कितने उदाहरण देखे, बल्कि इस बारे में था कि उदाहरण किस प्रकार के थे। यदि प्रशिक्षण डेटा में बहुत अधिक "खाली सड़क" के उदाहरण थे और "ट्रैफिक जाम" के पर्याप्त उदाहरण नहीं थे, तो AI गति को गलत बताता। डेटा का मिश्रण मात्रा से अधिक महत्वपूर्ण है।
गति बनाम सटीकता: MACE मॉडलों को प्रशिक्षित करना अविश्वसनीय रूप से तेज़ था (घंटों बनाम दिनों में) और वे लंबे सिमुलेशन चला सकते थे जिन्हें पिछली विधियाँ नहीं संभाल सकती थीं।

निचोड़

यह पेपर साबित करता है कि हमें हर नई बैटरी समस्या के लिए पहिए का पुनरुद्धार (reinvent the wheel) करने की आवश्यकता नहीं है। एक शक्तिशाली, पूर्व-प्रशिक्षित AI मॉडल (MACE) का उपयोग करके और उसे जानकारी की एक छोटी, लक्षित खुराक देकर, हम उच्च सटीकता के साथ भविष्यवाणियां कर सकते हैं कि बैटरियां कैसे काम करती हैं।

सरल शब्दों में: हर नए कार मॉडल के लिए एक नया कार इंजन शून्य से बनाने के बजाय, अब हम एक उच्च-प्रदर्शन वाला इंजन (फाउंडेशनल AI) ले रहे हैं, उसके कुछ हिस्सों को बदल रहे हैं (एक छोटे डेटासेट के साथ फाइन-ट्यूनिंग), और एक ऐसा वाहन प्राप्त कर रहे हैं जो कस्टम-निर्मित एक के समान ही अच्छा चलता है, लेकिन बहुत कम समय में। यह पहले से कहीं अधिक तेज़ी से सुरक्षित, लंबे समय तक चलने वाली बैटरी डिजाइन करने के द्वार खोलता है।

यहाँ शोध पत्र "Comparing fine-tuning strategies for machine learning force fields in lithium-ion diffusion" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लिथियम-आयन बैटरी (LIBs) के प्रदर्शन, सुरक्षा और जीवनकाल मुख्य रूप से इलेक्ट्रोड-इलेक्ट्रोलाइट इंटरफेस पर होने वाली प्रक्रियाओं, विशेष रूप से सॉलिड इलेक्ट्रोलाइट इंटरफेज (SEI) के निर्माण और व्यवहार द्वारा नियंत्रित होते हैं। SEI का एक महत्वपूर्ण घटक लिथियम फ्लोराइड (LiF) है। LiF के भीतर इंटरस्टिशियल लिथियम आयनों की विसरणशीलता (diffusivity) को समझना बैटरी स्थिरता और प्रदर्शन के मॉडलिंग के लिए आवश्यक है।

हालाँकि, पारंपरिक विधियों में महत्वपूर्ण सीमाएँ हैं:

क्लासिकल फोर्स फील्ड्स (Classical Force Fields): बॉन्ड टूटने/बनने (रिएक्टिव वातावरण) का वर्णन नहीं कर सकते।
ReaxFF: इसके लिए व्यापक पैरामीट्राइजेशन की आवश्यकता होती है और अक्सर इसमें भविष्य कहनेवाला सटीकता या स्थिरता की कमी होती है (जैसे, ठोस चरणों को बनाए रखने में विफल रहना)।
एब इनिटियो मॉलिक्यूलर डायनेमिक्स (AIMD): अत्यधिक सटीक है लेकिन दुर्लभ विसरण घटनाओं (rare diffusion events) को देखने के लिए आवश्यक लंबे समय (नैनोसेकंड) और बड़े सिस्टम आकार के लिए कम्प्यूटेशनल रूप से निषेधात्मक है।
मौजूदा मशीन लर्निंग फोर्स फील्ड्स (MLFFs): हालांकि ये आशाजनक हैं, DeePMD जैसे उच्च-सटीक मॉडल को प्रशिक्षित करने के लिए भारी डेटासेट (जैसे, 40,000+ कॉन्फ़िगरेशन) की आवश्यकता होती है जो एक्टिव लर्निंग के माध्यम से उत्पन्न किए जाते हैं, जो कम्प्यूटेशनल रूप से बहुत महंगा है।

मुख्य प्रश्न: क्या फाउंडेशनल मॉडल्स (जो विशाल रासायनिक स्थानों पर प्री-ट्रेन किए गए हैं) और उनकी फाइन-ट्यूनिंग रणनीतियाँ, उच्च-डेटा वाले मॉडलों (जैसे DeePMD) की सटीकता के साथ LiF में लिथियम विसरणशीलता की भविष्यवाणी कर सकती हैं, लेकिन काफी कम डेटा आवश्यकताओं और कम्प्यूटेशनल लागत के साथ?

2. कार्यप्रणाली (Methodology)

मॉडल और फ्रेमवर्क

बेस मॉडल: अध्ययन MACE-MPA-0 का उपयोग करता है, जो एक फाउंडेशनल मशीन लर्निंग फोर्स फील्ड है जिसे मटेरियल्स प्रोजेक्ट (MPtrj) और अलेक्जेंड्रिया डेटासेट (लगभग 3.5 मिलियन कॉन्फ़िगरेशन) पर प्री-ट्रेन किया गया है।
रेफरेंस मॉडल: DeePMD, जिसे पहले LiF के लिए ~40,000 एक्टिवली लर्न किए गए कॉन्फ़िगरेशन पर प्रशिक्षित किया गया था, एक उच्च-विश्वसनीयता वाला बेंचमार्क के रूप में कार्य करता है।
सिमुलेशन सेटअप:
- सॉफ्टवेयर: MACE पोटेंशियल के साथ LAMMPS।
- सिस्टम: बल्क LiF का 5×5×5 सुपरसेल (1000 परमाणु)।
- एनसेम्बल (Ensemble): NVT (Nosé–Hoover थर्मोस्टेट)।
- समय-सीमा (Timescales): दुर्लभ विसरण घटनाओं (knock-off hopping mechanisms) के पर्याप्त सैंपलिंग को सुनिश्चित करने के लिए सिमुलेशन 3 से 9 नैनोसेकंड तक चलाए गए।
- मेट्रिक: मीन स्क्वायर डिस्प्लेसमेंट (MSD) के माध्यम से विसरणशीलता ( $D$ ) की गणना; अरहेनियस प्लॉट्स (Arrhenius plots) से एक्टिवेशन एनर्जी ( $E_a$ ) प्राप्त की गई।

जांचे गए फाइन-ट्यूनिंग रणनीतियाँ (Fine-Tuning Strategies)

लेखकों ने LiF विसरण के लिए MACE-MPA-0 को अनुकूलित करने के लिए कई दृष्टिकोणों की तुलना की:

रणनीति A: DeePMD डेटा के साथ फाइन-ट्यूनिंग (ट्रांसफर लर्निंग)
- DeePMD मॉडल की एक्टिव लर्निंग के दौरान उत्पन्न कॉन्फ़िगरेशन का उपयोग किया गया।
- चर (Variables): विभिन्न आकार के फाइन-ट्यूनिंग डेटासेट (110 से 1600 सैंपल) और विभिन्न मात्रा में प्री-ट्रेनिंग डेटा (MPtrj से 0 से 10,000 सैंपल) का परीक्षण किया गया।
- लक्ष्य: यह निर्धारित करना कि क्या दूसरे MLFF से मौजूदा उच्च-गुणवत्ता वाले डेटा का पुन: उपयोग करने से प्रशिक्षण में तेजी आ सकती है।
रणनीति B: फाउंडेशनल मॉडल डेटा के साथ एक्टिव लर्निंग (सेल्फ-सैंपलिंग)
- MACE-MPA-0 ट्राजेक्टरीज से स्वयं कॉन्फ़िगरेशन को सैंपल करके नया ट्रेनिंग डेटा उत्पन्न किया गया।
- इन सैंपल की गई संरचनाओं के लिए DFT ऊर्जा/फोर्स (Quantum ESPRESSO, PBE फंक्शनल) की गणना की गई।
- मॉडेल्स:
  - FT1: 156 संरचनाएं (16 बल्क, 140 इंटरस्टिशियल) 2 एक्टिव लर्निंग स्टेप्स के माध्यम से।
  - FT2: 144 संरचनाएं (44 बल्क, 100 इंटरस्टिशियल) 1 एक्टिव लर्निंग स्टेप के माध्यम से।
- लक्ष्य: यह परीक्षण करना कि क्या एक फाउंडेशनल मॉडल बाहरी संदर्भ डेटा पर निर्भर किए बिना अपने स्वयं के विशिष्ट प्रशिक्षण को बूटस्ट्रैप कर सकता है।
मूल्यांकन मेट्रिक्स:
- एक्टिवेशन एनर्जी ( $E_a$ )।
- प्री-एक्सपोनेंशियल फैक्टर ( $D_0$ )।
- 400 K और 450 K पर विसरणशीलता ( $D$ )।
- लंबी MD ट्राजेक्टरीज (3–9 ns) की स्थिरता।

3. प्रमुख योगदान (Key Contributions)

फाउंडेशनल मॉडल्स का सत्यापन: प्रदर्शित किया कि प्री-ट्रेन किया गया MACE-MPA-0 मॉडल (शून्य फाइन-ट्यूनिंग के साथ) उच्च-विश्वसनीयता वाले DeePMD मॉडल ( $E_a = 0.24$ eV) के बराबर एक्टिवेशन एनर्जी ( $E_a \approx 0.22$ eV) प्राप्त करता है, बावजूद इसके कि इसे मुख्य रूप से इक्विलिब्रियम बल्क संरचनाओं पर प्रशिक्षित किया गया था।
डेटा दक्षता: दिखाया कि केवल 300 डेटा पॉइंट्स (200 DeePMD से + 100 प्री-ट्रेनिंग) के साथ MACE को फाइन-ट्यून करने से परिणाम ( $E_a = 0.20$ eV) प्राप्त होते हैं, जो 40,000+ डेटा पॉइंट्स पर प्रशिक्षित DeePMD मॉडल के लगभग समान हैं।
फाइन-ट्यूनिंग प्रोटोकॉल का अनुकूलन:
- पहचाना कि डेटासेट संरचना (बल्क बनाम इंटरस्टिशियल डिफेक्ट का अनुपात) डेटा के आकार जितना ही महत्वपूर्ण है।
- पाया कि एक निश्चित सीमा तक पहुँचने के बाद प्री-ट्रेनिंग डेटा में वृद्धि से घटते प्रतिफल (diminishing returns) मिलते हैं, और छोटे फाइन-ट्यूनिंग डेटासेट प्री-ट्रेनिंग सेट के आकार के प्रति अधिक संवेदनशील होते हैं।
सेल्फ-बूटस्ट्रैपिंग क्षमता: सिद्ध किया कि फाउंडेशनल मॉडल की अपनी ट्राजेक्टरीज से सैंपल किए गए डेटा का उपयोग करके एक विशिष्ट मॉडल को प्रशिक्षित करना (~150 डेटा पॉइंट्स के साथ) मजबूत परिणाम देता है, जिससे बाहरी संदर्भ डेटासेट की आवश्यकता समाप्त हो जाती है।
कम्प्यूटेशनल दक्षता: हाइलाइट किया कि इन मॉडलों को प्रशिक्षित करना अत्यधिक कुशल है (उदाहरण के लिए, 1800 डेटा पॉइंट्स पर 800 एपोक के लिए 8 A100 GPU पर ~4.5 घंटे लगे), जो पारंपरिक MLFFs के लिए आवश्यक शुरुआती ट्रेनिंग सेट्स को उत्पन्न करने के लिए आवश्यक विशाल DFT लागत के विपरीत है।

4. मुख्य परिणाम (Key Results)

एक्टिवेशन एनर्जी ( $E_a$ ):
- DeePMD (Ref): 0.24 eV।
- MACE-MPA-0 (Zero-shot): 0.22 ± 0.015 eV।
- Fine-tuned (300 pts): 0.20 ± 0.004 eV।
- निष्कर्ष: सभी MACE वेरिएंट ReaxFF (जिसने 0.06 eV दिया और अस्थिर लिक्विड-लाइक फेज दिखाए) से काफी बेहतर प्रदर्शन करते हैं और उच्च-विश्वसनीयता वाले DeePMD संदर्भ से मेल खाते हैं।
विसरणशीलता रुझान (Diffusivity Trends):
- फाउंडेशनल मॉडल ने सभी तापमानों पर विसरणशीलता को थोड़ा कम करके आंका।
- इंटरस्टिशियल और बल्क डेटा के मिश्रण के साथ फाइन-ट्यूनिंग ने इसे ठीक किया, जिससे भविष्यवाणियाँ संदर्भ के करीब आ गईं।
- अपर्याप्त बल्क प्रतिनिधित्व वाले मॉडल (जैसे, केवल 10 बल्क संरचनाओं के साथ 710 डेटा पॉइंट्स) ने विसरणशीलता को बढ़ाकर दिखाया, जबकि बेहतर बल्क प्रतिनिधित्व (800 डेटा पॉइंट्स) वाले मॉडल ने संदर्भ से मिलान किया।
मैकेनिज्म कैप्चर:
- सभी सफल मॉडलों ने "नॉक-ऑफ" (knock-off) होपिंग मैकेनिज्म को सही ढंग से पकड़ा, जहाँ एक इंटरस्टिशियल Li आयन एक लैटिस Li परमाणु को विस्थापित करता है। इस प्रक्रिया में जटिल बॉन्ड ब्रेकिंग/फॉर्मेशन शामिल है जिसे क्लासिकल फोर्स फील्ड कैप्चर करने में विफल रहते हैं।

5. महत्व और प्रभाव (Significance and Impact)

बैटरी अनुसंधान में तेजी लाना: यह कार्य जटिल, मल्टी-कंपोनेंट SEI निर्माण (जिसमें LiF, $\text{Li}_2\text{O}$ , $\text{Li}_2\text{CO}_3$ आदि शामिल हैं) का अध्ययन करने का मार्ग प्रदान करता है, जिसके लिए हर नए सिस्टम के लिए 40,000+ DFT डेटा पॉइंट्स उत्पन्न करने की निषेधात्मक लागत की आवश्यकता नहीं है।
MLFF प्रशिक्षण में प्रतिमान बदलाव (Paradigm Shift): यह "स्क्रैच से एक्टिव लर्निंग" के बजाय "फाउंडेशनल मॉडल + न्यूनतम फाइन-ट्यूनिंग" दृष्टिकोण को प्रमाणित करता है। यह विशेष रूप से उन प्रणालियों के लिए महत्वपूर्ण है जहाँ प्रारंभिक प्रशिक्षण डेटा उत्पन्न करना कठिन या महंगा होता है।
व्यावहारिक दिशा-निर्देश: यह अध्ययन शोधकर्ताओं को ठोस दिशा-निर्देश प्रदान करता है:
1. एक मजबूत फाउंडेशनल मॉडल (MACE-MPA-0) से शुरुआत करें।
2. एक छोटे, संतुलित डेटासेट (बल्क और डिफेक्ट का मिश्रण) के साथ फाइन-ट्यून करें।
3. यदि बाहरी संदर्भ डेटा उपलब्ध नहीं है, तो DFT गणना के लिए फाउंडेशनल मॉडल का उपयोग करके कॉन्फ़िगरेशन को सैंपल करें (सेल्फ-बूटस्ट्रैपिंग)।
भविष्य के अनुप्रयोग: यह कार्य पद्धति विषम (heterogeneous), अमोर्फस SEI परतों में लंबे समय के पैमाने की घटनाओं (नैनोसेकंड) का अध्ययन करने में सक्षम बनाती है, जो परमाणु स्तर के सिमुलेशन और मैक्रोस्कोपिक बैटरी प्रदर्शन के बीच के अंतर को पाटती है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि MACE-आधारित फाउंडेशनल मॉडल्स, जब न्यूनतम डेटा के साथ रणनीतिक रूप से फाइन-ट्यून किए जाते हैं, तो बैटरी सामग्री में महत्वपूर्ण परिवहन गुणों की भविष्यवाणी करने के लिए कम्प्यूटेशनल रूप से महंगे, डेटा-भूखे पारंपरिक MLFFs की जगह ले सकते हैं, जो अगली पीढ़ी के ऊर्जा भंडारण अनुसंधान के लिए एक स्केलेबल समाधान प्रदान करते हैं।