Facebook通过人工智能寻找可在生能源存储解决方案

对于太阳能和风能等可再生能源的不可预测性，我们的传统解决方案通常是将多余的能源数回当地电网，或将其隔离在公用事业规模的电池中。但随着我们越来越多的发电是由可再生能源创造的，它们的生产能力有可能超过当地电网，而电池技术的规模成本可能很快变得令人望而却步。

另一种选择是将多余的能量用于驱动催化反应。CMU化学工程和材料科学与工程系助理教授Zack Ulissi告诉Engadget：“我们可以通过很多不同的方式来储存能量。最著名的是你把水电解成氢和氧。”他补充说：“我们还可以用它生产甲醇，这是化学工业的基本原料，也可以制造乙醇作为液体燃料。”由于阿肯色大学和布鲁克海文国家实验室2019年的一项发现，我们甚至可以重新催化乙醇，在任何燃烧的情况下直接从各自的分子中剥离电子。

但是为了使催化过程可行和有效，催化剂必须尽可能高效。然而，考虑到催化剂通常由3-或4-元素组合而成，而该组合来自于近50个潜在元素，如果再加上其他一系列的化学和结构变量——从成分比例到元素结构再到催化剂的物理表面形状——就有数十亿种潜在的方法可以制造出“最好的”催化剂。这只是一个化学反应。

研究新的潜在化合物的过程相当缓慢，因此为了帮助加速催化剂的生成过程，Facebook人工智能与卡内基梅隆大学（Carnegie Mellon University）合作开展了开放催化剂项目。据该公司近日的一篇博客文章称，他们计划在开源数据上训练机器学习算法，以“准确预测原子间的相互作用，大大快于科学家们今天所依赖的大量计算的模拟”。

这些模拟包括密度泛函理论（DFT），化学工程师将经常使用该量子力学系统来寻找最有前途的候选人，并避免潜在的研究僵局。

Ulissi解释说：“密度泛函理论是解决电子在系统中相互作用方式的一种方法，现在，如果您认为使用量子力学来模拟多体系统中电子，原子和分子的相对运动，以试图找到具有最低最终能量（“松弛状态”）的构型，则需要大量的处理能力和计算时间，即使可以访问Facebook的服务器，单个候选材料迭代的松弛计算也可能需要12到72小时。

因此，Facebook和CMU并没有试图强行应用这些数十亿个排列的方法，而是建立了Open Catalyst 2020数据集，该数据集统计了所吸附在130万个分子在表面上的情况，并计划利用它来训练“基本物理学”上的机器学习算法。指导量子力学，教授模型以根据过去的数据估算分子的能量和作用力。”

Facebook AI研究科学家拉里·齐特尼克（Larry Zitnick）在周三的博客文章中指出，不仅如此大的数据集不仅应该有助于极大地改善ai学习模型的能力，而且还可以教会他们“在无机界面上控制分子的基本物理原理”。

如果研究人员成功地训练了ML模型，“我们可以花费过去八个小时的时间，很可在一秒钟之内完成它们……我们我希望基本上用ai学习算法取代DFT。”

“这就是我们的目标，”， “我们想亲自开始进行大规模的催化探索，而不仅仅是测试10或10,000、100,000或数百万，而是开始测试数十亿种不同的可能性。”

因此，Open Catalyst 2020数据集已开源，可供研究团体使用。Zitnick希望在不久的将来使用数据集举办一次Facebook挑战赛。

 

    

原文标题：Facebook部署人工智能寻找可在生能源存储解决方案

文章出处：【微信公众号：IEEE电气电子工程师学会】欢迎添加关注！文章转载请注明出处。

责任编辑：haq