臉書和卡內基美隆大學(CMU)研究人員共同發表了Open Catalyst Project,其目標是要以人工智慧,加速量子力學模擬速度1,000倍,以更快找到新的電催化劑(Electrocatalysts),滿足高效且可擴展的再生能源儲存和使用需求。研究人員同時也將相關資料集對外開放,希望社群能夠共同參與研究。

太陽能與風能發電,在電網中的角色越趨重要,不過因為這兩種發電來源,並不夠穩定可控,在用電量高峰時,天空未必豔陽高照,風場也不一定有風,太陽能和風能以間歇的形式供電,因此如果可以將再生能源儲存起來,需要用電的時候,再從電池中取用,那再生能源的可用性便可大幅提升。

不過要在電網中,以鋰電池保留數天或幾周的備用電力成本過高,所以科學家又找到了其他可擴展的解決方案,便是將多餘的太陽能和風能,轉換為氫氣或乙醇等其他燃料儲存,但是目前遇到的瓶頸是轉換方法效率低落,或是必須仰賴昂貴的鉑電催化劑,因而限制了實用性。

因此Open Catalyst Project的目標,便是要找到能夠驅動這些化學反應的低成本催化劑,但是要開發新的催化劑,並非一件簡單的事,因爲假設催化劑,是由已知的40種金屬中的其中3種組合而成,那可能性就高達1萬種,而且每種組合都必須調整元素比例和配置,可能性則擴大到數十億。

過去研究人員利用標準合成方法,每年人工僅能測試3到4種可能的催化劑組合,而使用量子力學模擬工具密度泛函理論(DFT),能夠加速催化劑的研究,將實驗工作集中到最有可能的候選者身上,現代運算實驗室希望每年可以執行4萬個模擬。

但研究人員提到,考慮到問題的範圍,這樣的模擬量遠遠不夠,他們目標讓實驗室每年可以篩選數十億種可能的催化劑。不過,目前還無法做到這件事,因為DFT的運算量非常龐大,DFT使用量子力學模擬原子的運動,評估整個系統的能量,找出最低能量配置的鬆弛狀態(Relaxed State),在高階伺服器上,這個過程需要數小時甚至是數天。

因此要探索所有催化劑的可能性,必須要用人工智慧來代替DFT運算,研究人員提到,可行的方式是使用少量的DFT運算,來訓練高效率機器學習模型,從過去的資料教模型估計分子能量和作用力,希望最終可以達到每次DFT鬆弛運算只要數秒鐘。

臉書提到以人工智慧模擬量子力學非常困難,因此臉書與CMU公開了Open Catalyst 2020資料集,讓社群也可以加入研究的行列,共同解決尋找催化劑的難題。臉書提到,目前相關領域的研究障礙,在於缺乏訓練資料,Open Catalyst 2020資料集是臉書與CMU共同合作的成果,是目前最大的相關資料集,透過收集大量DFT模擬資料,提供研究準確且有用的基礎。

臉書認為一旦研究成功,這結果將劇烈改變全球再生能源的使用,降低電催化劑和儲存技術的成本,使得再生能源儲存更具實用性,進一步解決全球暖化的問題。另外,量子力學的建模,同為其他科學領域的問題,因此如果能開發預測原子交互作用的人工智慧,那也將可用在醫學、地球化學或是其他製造工業上。


Advertisement

更多 iThome相關內容