脸书和卡内基美隆大学合作，要以AI加速寻找再生能源储存新方法

脸书和卡内基美隆大学（CMU）研究人员共同发表了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储存和使用需求。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储存起来，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储存，但是目前遇到的瓶颈是转换方法效率低落，或是必须仰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），在高阶服务器上，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，必须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，透过收集大量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，降低电催化剂和储存技术的成本，使得再生能源储存更具实用性，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。