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¶
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 #/nm²）
- 「過剰に入れたLiがGBへ“吸い込まれる”」挙動は“見えなかった（少なくとも今回条件では未支持）”（w=±2.0 Å の2GB帯で、過剰Liの平均 7.29/100、一様分布期待 10.02 に対して 0.73×）
という 誠実な落とし所になりました。
そして重要なのは、この「見えた／見えなかった」を“数日”で切り分けられる計算パイプラインが、電池メーカーのR&Dにとって価値になる点です。
Quantum ESPRESSO（DFT）→ Allegro/NequIP（MLポテンシャル）→ LAMMPS（大規模MD）を、4GPU/8GPUの単一サーバーで“回る形”にしておくと、「次の一手」までの意思決定が速くなります。
H200 NVLで“同じ検証ループ”を回したい方へ（最短で見積もり）
- 対象：LLZO / QE / DeepMD / LAMMPS / NequIP / Allegro（学習・推論・最適化）
- 納品物：動く環境 + 入力ファイル雛形 + 実行手順（Runbook） + 再現チェック
- 相談テンプレ（コピペOK）
①目的（学習/推論） ②原子数（目安） ③目標（ns/day or steps/day） ④予算レンジ
背景：なぜ「粒界Li-rich」が気になるのか¶
固体電解質LLZOでは、粒界がイオン輸送・界面反応・局所的な応力／欠陥と絡み合い、結果として短絡（dendrite）に繋がる“弱点”になり得ると言われます。
その中でも頻出の仮説が「粒界がLi-richになり、局所的にLiが集まる」ことです。
ただし、研究・開発の現場では次の2つが混ざりやすい：
- “もともとのLi”が粒界に偏る（平衡偏析）
- “過剰に供給されたLi”が粒界に吸い寄せられる（非平衡／供給依存）
この2つは、dendrite機構に対する意味合いが違います。
今回の検証は、まず (1) と (2) を分離して見ることを狙いました。
計算パイプライン：QE + Allegro + LAMMPS を「1台で回す」意味¶
今回の流れを、製造業のR&D向けに“実務っぽく”言い換えるとこうです。
- Quantum ESPRESSO（DFT）：参照データ（energy/force）を作る
- Allegro/NequIP（MLポテンシャル）：DFT精度を保ちつつMD速度へ落とす（学習・コンパイル）
- LAMMPS（MD）：10k〜100k原子級で、偏析・拡散・時間発展を見る
ここでGPUが効くのは主に (A) 学習と (B) MD計算（推論）です。
さらに、「環境が組めている」「レシピが揃っている」ことが、再現性とスループットに直結します。
今回も、学習側の
unitsと LAMMPS 側のunitsが噛み合わないと挙動が破綻する、という典型的な地雷を踏みました。
逆に言えば、こういう“落とし穴”を短時間で潰せるのが、バンドル＋Runbook（手順書）の価値です。
検証A：ベース系（Liのみ可動）で「GB Li-rich」は見えた（仮説を支持する方向）¶
Li濃度プロファイル（700K）¶
- 粒界位置 z0 ≈ 37.5 Å（Li密度ピークから推定）
- バルク平均密度 ρ_bulk ≈ 0.02160 #/ų
- ピーク密度 ρ_peak ≈ 0.06781 #/ų
- ピーク比（ρ_peak/ρ_bulk）≈ 3.14×
- GB帯（±2Å）平均 ρ_gb ≈ 0.04719 #/ų（≈ 2.18×）
- 過剰面密度 Γ ≈ 15.0 #/nm²
要するに：粒界付近にLiが“濃い”領域が現れる、という点はこのモデル・条件では明確です。
拡散（MSD）も「GB起点の方が速い」傾向¶
短時間（~17.5 ps）の線形フィットですが、MSDからの拡散係数は
- 全体D ≈ 3.348e-06 cm²/s
- GB近傍スタートD ≈ 6.030e-06 cm²/s
- バルクスタートD ≈ 1.935e-06 cm²/s
- 比（GB/bulk）≈ 3.12×
と、“粒界はLiが多いだけでなく動きも違う”示唆があります。
ただし 統計（時間・独立試行）が不足しているので、ここは後述の「次の実験」で固める位置付けです。
検証B：「過剰Liを入れたらGBに集まるか？」は見えなかった（少なくとも今回条件では未支持）¶
まず、やったこと¶
- 700K平衡後の構造を出発点に
- 過剰Liを +100（GB近傍を避けて挿入）
- 2つのGB面（z0 と z0+Lz/2）を同時にカウント
- w=±2.0 Å の“GB帯”に入った過剰Li数を時系列で追跡
- 合計 100 ps（= 400000 steps 相当）まで延長
観測された量（最後の50ps平均）¶
- GB0帯の平均：4.94 ± 0.83 atoms
- GB2帯の平均：2.35 ± 0.57 atoms
- 2GB合計：7.29 ± 1.08 atoms
- バルク側（それ以外）：92.71 ± 1.08 atoms
一方、もし過剰Liが“場所に関係なく一様”なら、2GB帯に入る期待値は
- 一様分布期待：10.02 atoms
です。
実測の enrichment（Ngb/期待）は
- 0.73×
で、1を下回る（=むしろGB帯に“少ない”）という結果でした。
また、時系列のトレンド（最後の50psで線形フィット）も
- slope ≈ 0.046 atoms/ps
と小さく、「時間とともに吸い込まれて増え続ける」とまでは言えません。
ここまでの“結論”をどう解釈するか（電池R&Dの意思決定向け）¶
今回「見えた（仮説を支持する方向）」こと¶
- このLLZOモデル・条件（700K、固定フレームワークなど）では、粒界近傍のLi密度が高い（Li-rich）
→ これは 材料設計上の“局所状態”としての粒界の重要性を支持
今回「見えなかった（少なくとも今回条件では未支持）」こと¶
- 過剰Liを入れたときに、GBが“吸い込み口”になって短時間で集める
→ 少なくとも 100ps・今回の挿入条件では 支持されない
つまり：dendriteと繋げるなら「次の仮説」が必要¶
過剰LiがGBに吸い込まれないなら、dendrite機構は
- 電子伝導（還元・局所金属化）
- 欠陥（空孔・クラック）や応力集中
- 界面反応／空間電荷層
- Liの供給境界条件（化学ポテンシャル制御、電場、濃度勾配）
など、“供給＋駆動力”込みで考える必要があります。
とはいえ「未支持」は失敗ではない：GPUで仮説を潰せる価値が売りになる¶
電池メーカーの開発では、
「仮説が正しいこと」より、「仮説を早く判定して次へ進めること」の方がROIに効くことが多いです。
今回のように、
- モデル学習 → コンパイル → LAMMPS実行 → 解析（Li密度、MSD、GBカウント）
- そして“次の仮説”へ
というループを GPUで高速に回すこと自体が、
研究の生産性（＝最終的な開発スピード）を押し上げます。
提案：H200 NVL 4GPU/8GPU × QE + Allegro + LAMMPS “バンドル”の価値¶
1) すぐ動く環境（依存地獄を避ける）¶
- Quantum ESPRESSO / LAMMPS / NequIP-Allegro / 解析スクリプト一式
- 推奨ドライバ・CUDA・MPI・PyTorchの整合性込み
2) Runbook（手順書）＝再現できる手順書¶
- 「学習→MD→解析→図化→要約JSON」までが ワンパスで再現できる
- 社内展開で強い：担当が変わっても回る
3) 4GPU/8GPUを“使い切る”運用レシピ¶
- MPI × GPU割り当て
- 推論（MD）と学習のリソース配分
- 同一条件でseed違いを回して統計を取るテンプレ
次の一手（おすすめの追加検証）¶
ここから先は、「支持」を強くし、「未支持」の理由を切り分ける方向がおすすめです。
- 独立試行（seed違い）を2–3本
- 温度スイープ（例えば 500/700/900K）
- w依存（±1, ±2, ±3, …Å）と Γ（excess）再評価
- 供給境界条件：過剰Liを“もっと多く”入れる／入れる位置を変える
- フレームワークも動かす（欠陥・緩和が効くか）
- （将来的に）電場・濃度勾配や 電子状態の影響へ段階的に拡張
まとめ¶
- 粒界Li-richは見えた（仮説を支持する方向）：GB近傍にLi濃度ピーク（~3.1×）
- 過剰LiのGB吸い込みは見えなかった（少なくとも今回条件では未支持）：2GB帯で enrichment ~0.73×（100ps）
- だからこそ、GPUで仮説検証のループを回す価値が前面に出る
- QE + Allegro + LAMMPS をバンドルし、Runbook付きで再現可能にすると、電池R&Dの意思決定が速くなる
次のアクション（30秒）¶
このテーマでPoC/再現を進めるなら
- いまの系サイズ（原子数）と「学習 or 推論」を教えてください
- こちらから 推奨構成（H200 NVL 4GPU/8GPUなど） と 納品スコープ（環境/手順/再現チェック） を返します
- 必要なら、入力ファイル雛形（LAMMPS/Allegro ほか）も同梱して最短で回せる状態にします