對于太陽能和風能等可再生能源的不可預測性，我們的傳統解決方案通常是將多余的能源數回當地電網，或將其隔離在公用事業規模的電池中。但隨著我們越來越多的發電是由可再生能源創造的，它們的生產能力有可能超過當地電網，而電池技術的規模成本可能很快變得令人望而卻步。

另一種選擇是將多余的能量用于驅動催化反應。CMU化學工程和材料科學與工程系助理教授Zack Ulissi告訴Engadget：“我們可以通過很多不同的方式來儲存能量。最著名的是你把水電解成氫和氧。”他補充說：“我們還可以用它生產甲醇，這是化學工業的基本原料，也可以制造乙醇作為液體燃料。”由于阿肯色大學和布魯克海文國家實驗室2019年的一項發現，我們甚至可以重新催化乙醇，在任何燃燒的情況下直接從各自的分子中剝離電子。

但是為了使催化過程可行和有效，催化劑必須盡可能高效。然而，考慮到催化劑通常由3-或4-元素組合而成，而該組合來自于近50個潛在元素，如果再加上其他一系列的化學和結構變量——從成分比例到元素結構再到催化劑的物理表面形狀——就有數十億種潛在的方法可以制造出“最好的”催化劑。這只是一個化學反應。

研究新的潛在化合物的過程相當緩慢，因此為了幫助加速催化劑的生成過程，Facebook人工智能與卡內基梅隆大學（Carnegie Mellon University）合作開展了開放催化劑項目。據該公司近日的一篇博客文章稱，他們計劃在開源數據上訓練機器學習算法，以“準確預測原子間的相互作用，大大快于科學家們今天所依賴的大量計算的模擬”。

這些模擬包括密度泛函理論（DFT），化學工程師將經常使用該量子力學系統來尋找最有前途的候選人，并避免潛在的研究僵局。

Ulissi解釋說：“密度泛函理論是解決電子在系統中相互作用方式的一種方法，現在，如果您認為使用量子力學來模擬多體系統中電子，原子和分子的相對運動，以試圖找到具有最低最終能量（“松弛狀態”）的構型，則需要大量的處理能力和計算時間，即使可以訪問Facebook的服務器，單個候選材料迭代的松弛計算也可能需要12到72小時。

因此，Facebook和CMU并沒有試圖強行應用這些數十億個排列的方法，而是建立了Open Catalyst 2020數據集，該數據集統計了所吸附在130萬個分子在表面上的情況，并計劃利用它來訓練“基本物理學”上的機器學習算法。指導量子力學，教授模型以根據過去的數據估算分子的能量和作用力。”

Facebook AI研究科學家拉里·齊特尼克（Larry Zitnick）在周三的博客文章中指出，不僅如此大的數據集不僅應該有助于極大地改善ai學習模型的能力，而且還可以教會他們“在無機界面上控制分子的基本物理原理”。

如果研究人員成功地訓練了ML模型，“我們可以花費過去八個小時的時間，很可在一秒鐘之內完成它們……我們我希望基本上用ai學習算法取代DFT。”

“這就是我們的目標，”， “我們想親自開始進行大規模的催化探索，而不僅僅是測試10或10,000、100,000或數百萬，而是開始測試數十億種不同的可能性。”

因此，Open Catalyst 2020數據集已開源，可供研究團體使用。Zitnick希望在不久的將來使用數據集舉辦一次Facebook挑戰賽。

原文標題：Facebook部署人工智能尋找可在生能源存儲解決方案

文章出處：【微信公眾號：IEEE電氣電子工程師學會】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq