不均一材料における物質輸送
分子スケールの構造と運動から、材料全体の物質輸送を理解・予測する。(永井准教授)
局所環境から材料全体の輸送へ
高分子電解質膜などの不均一材料では、局所的な構造や分子間相互作用が場所によって異なり、輸送される分子の存在しやすさや動きやすさが空間的に変化します。したがって、このような不均一系の物質輸送を理解するには、自由エネルギー地形だけでなく、位置に依存した拡散係数を考慮することが重要です。私たちは、これらの局所的な物性を分子動力学シミュレーションから評価し、材料全体の拡散・透過特性と結びつけることで、物質輸送の分子機構の解明に取り組んでいます。これまでに、燃料電池用高分子電解質膜中の水素・酸素の自由エネルギー地形や、水素の長時間拡散・透過特性を解析してきました[1][2]。
位置に依存した拡散係数の評価
不均一材料中の輸送を理解するには、分子の動きやすさが場所によってどのように変化するかを知る必要があります。しかし、微小な領域に限定した平均二乗変位には、軌道の選択による影響が生じるため、通常のEinsteinの関係式をそのまま適用することはできません。そこで、平底ポテンシャルを利用して局所的なサンプリングを行い、その影響を受けない軌道部分から拡散係数を評価する手法を開発しました[3]。さらに、部分空間で平均した二乗変位の非線形な時間変化を解析する新たな方法も開発し、局所拡散係数の評価手法の高度化を進めています[4]。
動的モンテカルロ法による長時間の物質輸送
分子動力学シミュレーションで得られた自由エネルギーと局所拡散係数を用いて、長時間・長距離の分子運動を再現する動的モンテカルロ法を開発しました[5]。この方法では、自由エネルギー地形と位置に依存する拡散係数を考慮した拡散方程式に従う粒子軌道を生成することで、通常の分子動力学計算では追跡が難しい時間・空間スケールの輸送を解析できます。燃料電池用高分子電解質膜中の水素拡散に適用し、実験と整合する透過係数を得るとともに、高分子相及び高分子相と水相の界面が主要な輸送経路であることを明らかにしました[2]。
機械学習による大規模不均一系への展開
大規模な不均一材料では、自由エネルギーや局所拡散係数を材料全体にわたって分子動力学計算から評価することは容易ではありません。そこで、近傍の元素分布を表す構造記述子から、これらの局所物性を予測する機械学習モデルを構築しました。含水条件の異なる高分子電解質膜中の水素拡散に適用し、機械学習で予測した局所物性を用いた動的モンテカルロ計算によって、材料全体の拡散係数を精度よく再現できることを示しました[6]。この手法を発展させ、より大規模で複雑な不均一材料への応用を目指しています。
関連論文
-
Three-dimensional free-energy landscape of hydrogen and oxygen molecules in polymer electrolyte membranes: Insight into diffusion paths
T. Nagai, K. Fujimoto and S. Okazaki. J. Chem. Phys. 156, 044507 (2022).
DOI: 10.1063/5.0075969 -
Global diffusion of hydrogen molecules in the heterogeneous structure of polymer electrolytes for fuel cells: Dynamic Monte Carlo combined with molecular dynamics calculations
T. Nagai and S. Okazaki. J. Chem. Phys. 157, 054502 (2022).
DOI: 10.1063/5.0096574 -
Position-Dependent Diffusion Constant of Molecules in Heterogeneous Systems as Evaluated by the Local Mean Squared Displacement
T. Nagai, S. Tsurumaki, R. Urano, K. Fujimoto, W. Shinoda and S. Okazaki. J. Chem. Theory Comput. 16, 7239–7254 (2020).
DOI: 10.1021/acs.jctc.0c00448 -
Local diffusion analysis using square displacement averaged in subspace
N. Kikkawa, R. Jinnouchi, T. Nagai, S. Okazaki and M. Kimura. J. Chem. Phys. 164, 114105 (2026).
DOI: 10.1063/5.0304592 -
Dynamic Monte Carlo calculation generating particle trajectories that satisfy the diffusion equation for heterogeneous systems with a position-dependent diffusion coefficient and free energy
T. Nagai, A. Yoshimori and S. Okazaki. J. Chem. Phys. 156, 154506 (2022).
DOI: 10.1063/5.0086949 -
Machine Learning Model to Predict Free-Energy Landscape and Position-Dependent Diffusion Constant to Extend the Scale of Dynamic Monte Carlo Simulations
T. Nagai, N. Kikkawa, R. Jinnouchi, M. Kimura and S. Okazaki. J. Chem. Theory Comput. 21, 2598–2611 (2025).
DOI: 10.1021/acs.jctc.4c01552


