脸书和卡内基梅隆大学合作,要以AI加速寻找再生能源存储新方法

脸书和卡内基梅隆大学(CMU)研究人员共同发布了Open Catalyst Project,其目标是要以人工智能,加速量子力学模拟速度1,000倍,以更快找到新的电催化剂(Electrocatalysts),满足高效且可扩展的再生能源存储和使用需求。研究人员同时也将相关资料集对外开放,希望社群能够共同参与研究。

太阳能与风能发电,在电网中的角色越趋重要,不过因为这两种发电来源,并不够稳定可控,在用电量高峰时,天空未必艳阳高照,风场也不一定有风,太阳能和风能以间歇的形式供电,因此如果可以将再生能源存储起来,需要用电的时候,再从电池中取用,那再生能源的可用性便可大幅提升。

不过要在电网中,以锂电池保留数天或几周的备用电力成本过高,所以科学家又找到了其他可扩展的解决方案,便是将多余的太阳能和风能,转换为氢气或乙醇等其他燃料存储,但是目前遇到的瓶颈是转换方法效率低落,或是必须依赖昂贵的铂电催化剂,因而限制了实用性。

因此Open Catalyst Project的目标,便是要找到能够驱动这些化学反应的低成本催化剂,但是要开发新的催化剂,并非一件简单的事,因为假设催化剂,是由已知的40种金属中的其中3种组合而成,那可能性就高达1万种,而且每种组合都必须调整元素比例和配置,可能性则扩大到数十亿。

过去研究人员利用标准合成方法,每年人工仅能测试3到4种可能的催化剂组合,而使用量子力学模拟工具密度泛函理论(DFT),能够加速催化剂的研究,将实验工作集中到最有可能的候选者身上,现代运算实验室希望每年可以执行4万个模拟。

但研究人员提到,考虑到问题的范围,这样的模拟量远远不够,他们目标让实验室每年可以筛选数十亿种可能的催化剂。不过,目前还无法做到这件事,因为DFT的运算量非常庞大,DFT使用量子力学模拟原子的运动,评估整个系统的能量,找出最低能量配置的松弛状态(Relaxed State),在高端服务器上,这个过程需要数小时甚至是数天。

因此要探索所有催化剂的可能性,必需要用人工智能来代替DFT运算,研究人员提到,可行的方式是使用少量的DFT运算,来训练高效率机器学习模型,从过去的资料教模型估计分子能量和作用力,希望最终可以达到每次DFT松弛运算只要数秒钟。

脸书提到以人工智能模拟量子力学非常困难,因此脸书与CMU公开了Open Catalyst 2020资料集,让社群也可以加入研究的行列,共同解决寻找催化剂的难题。脸书提到,目前相关领域的研究障碍,在于缺乏训练资料,Open Catalyst 2020资料集是脸书与CMU共同合作的成果,是目前最大的相关资料集,通过收集大量DFT模拟资料,提供研究准确且有用的基础。

脸书认为一旦研究成功,这结果将剧烈改变全球再生能源的使用,降低电催化剂和存储技术的成本,使得再生能源存储更具实用性,进一步解决全球暖化的问题。另外,量子力学的建模,同为其他科学领域的问题,因此如果能开发预测原子交互作用的人工智能,那也将可用在医学、地球化学或是其他制造工业上。

发表评论