Το Facebook και ο Carnegie Mellon ξεκινούν ένα έργο για να ανακαλύψουν καλύτερους τρόπους αποθήκευσης ανανεώσιμων πηγών ενέργειας

Facebook Carnegie Mellon AI


Το Fb ανακοίνωσε σήμερα μια συνεργασία με το Πανεπιστήμιο Carnegie Mellon σε ένα ερευνητικό έργο – το Open Catalyst Job – που θα αξιοποιήσει Όλα συμπεριλαμβάνονται να επιταχύνει την αναζήτηση ηλεκτροκαταλυτών ή καταλυτών που συμμετέχουν σε ηλεκτροχημικές αντιδράσεις. Ο στόχος είναι να καταστεί δυνατή η κλιμακούμενη αποθήκευση ανανεώσιμων πηγών ενέργειας επιταχύνοντας τις προσομοιώσεις κβαντικής μηχανικής έως και 1.000 φορές.

Οι ανανεώσιμες πηγές ενέργειας όπως ο αιολικός και ο ηλιακός παράγουν ενέργεια κατά διαστήματα και απαιτούν αποθήκευση για τη μεταφορά ενέργειας από περιόδους αιχμής σε περιόδους αιχμής. Χωρίς τεχνολογικές εξελίξεις, ορισμένοι ερευνητές έχουν εκτιμήσει ότι η συνολική διείσδυση της ηλιακής ενέργειας, για παράδειγμα, περιορίζεται στο 30%, με το κόστος να αρχίζει να αυξάνεται σημαντικά μετά από διείσδυση 20%.

Ιστορικά, οι μπαταρίες ήταν υπερβολικά ακριβές για την κλίμακα. μια εναλλακτική λύση είναι η χρήση χημικών αντιδράσεων για τη μετατροπή της ενέργειας σε καύσιμα όπως υδρογόνο και αιθανόλη, επιτρέποντας την αποθήκευση ενέργειας αποτελεσματικά για ημέρες, εβδομάδες ή μήνες. Αλλά αυτή η διαδικασία χρειάζεται καταλύτες για να προκαλέσει χημικές αντιδράσεις, η ανακάλυψη των οποίων μπορεί να περιλαμβάνει πολύπλοκες και χρονοβόρες κβαντικές προσομοιώσεις.

Εδώ μπαίνει το Open up Catalyst 2020 (OC2020). Το OC2020 είναι το αποτέλεσμα μιας μονοετούς συνεργασίας μεταξύ του Fb και της ερευνητικής ομάδας του καθηγητή Zachary Ulissi του Τμήματος Χημικών Μηχανικών του Carnegie Mellon. Εστιάζοντας στα μόρια που είναι σημαντικά στις εφαρμογές ανανεώσιμων πηγών ενέργειας, είναι ένα σύνολο δεδομένων που καταρτίζεται χρησιμοποιώντας το εργαλείο βελτιστοποίησης κέντρου δεδομένων του Facebook Optimus σε εφεδρικούς υπολογιστικούς κύκλους κατά τη διάρκεια τεσσάρων μηνών. Το OC2020 περιλαμβάνει πάνω από 1,3 εκατομμύρια χαλαρώσεις μοριακής προσρόφησης σε επιφάνειες – τη συλλογή των ηλεκτροκαταλυτών μέχρι σήμερα.

Ανακαλύπτοντας καταλύτες

Ο σύγχρονος σχεδιασμός καταλύτη βασίζεται στην προσομοίωση για να προσδιορίσει εάν ένα υλικό είναι κατάλληλο για περαιτέρω εξερεύνηση. Η προσομοίωση μοντελοποιεί την αλληλεπίδραση ενός μορίου με την επιφάνεια ενός καταλύτη, μια φυσική διαδικασία που ονομάζεται προσρόφηση. Τα προσροφημένα μόρια, δηλ. Τα προσροφητικά, είναι συνήθως οι βασικοί τύποι που εμπλέκονται στις αντιδράσεις ενδιαφέροντος, όπως OH, O2 ή H2O.

Υποθέτοντας ότι οι καταλύτες δημιουργούνται από έως και τρία από τα 40 γνωστά μέταλλα, υπάρχουν σχεδόν 10.000 συνδυασμοί στοιχείων. Και δεδομένου ότι κάθε συνδυασμός πρέπει να δοκιμαστεί προσαρμόζοντας τους λόγους, οι δυνατότητες επεκτείνονται στα δισεκατομμύρια.

Οι τρέχουσες ροές εργασίας επιτρέπουν στους επιστήμονες να δοκιμάζουν τρεις ή τέσσερις πιθανούς συνδυασμούς καταλυτών ετησίως. Τα κβαντικά εργαλεία μηχανικής προσομοίωσης όπως αυτά που αναπτύχθηκαν από την ομάδα της Ulissi μπορούν να παρέχουν πληροφορίες για εμπόδια και να επικεντρώσουν τις προσπάθειές τους στους πιο υποσχόμενους υποψήφιους καταλύτες, αλλά ακόμη και τα σύγχρονα υπολογιστικά εργαστήρια αγωνίζονται να ξεπεράσουν τις 40.000 προσομοιώσεις ετησίως.

Αυτό συμβαίνει επειδή εργαλεία όπως η Density Useful Principle (DFT) χρησιμοποιούν μια διαδικασία που ονομάζεται «χαλάρωση», στην οποία συνδυάζουν τις θέσεις των ατομικών πυρήνων με την κβαντική μηχανική για να προβλέψουν την ενέργεια του συστήματος και τις δυνάμεις που δρουν σε κάθε άτομο. Οι θέσεις των πυρήνων ενημερώνονται για να ελαχιστοποιηθεί η ενέργεια, αλλάζοντας έτσι τις κατανομές και τις ενέργειες ηλεκτρονίων. Αυτή η επαναληπτική διαδικασία συνεχίζεται έως ότου η ενέργεια του συστήματος φτάσει στο τοπικό ελάχιστο. Εξετάζοντας την ενέργεια του συστήματος με τη χαμηλότερη ενέργεια, οι ερευνητές μπορούν να πάρουν μια ιδέα για το πόση ενέργεια απαιτείται για να οδηγήσουν την αντίδραση.

Η διαδικασία χαλάρωσης είναι πολύπλοκη και υπολογιστικά εντατική, απαιτώντας ώρες ή ακόμα και ημέρες για να χαλαρώσετε σε διακομιστές προηγμένης τεχνολογίας. Επίσης κλιμακώνεται άσχημα όταν ο αριθμός των ατόμων έχει αυξηθεί, με αποτέλεσμα μεγαλύτερους χρόνους υπολογισμού και υψηλότερο ποσοστό αστοχίας.

Facebook Carnegie Mellon AI

Το Facebook και ο Carnegie Mellon πιστεύουν ότι οι τεχνικές μηχανικής μάθησης θα μπορούσαν να είναι η απάντηση λόγω της ικανότητάς τους να κάνουν γρήγορες και καλές προσεγγίσεις. Λαμβάνοντας ως είσοδο την κατάσταση ενός συστήματος που περιλαμβάνει τις θέσεις των ατόμων, τους τύπους των στοιχείων, τις πληροφορίες για τους δεσμούς και πολλά άλλα, οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να προβλέψουν ιδιότητες του συστήματος όπως η ενέργεια. Οι αποτελεσματικές προσεγγίσεις DFT, επομένως, θα μπορούσαν να επιτρέψουν τον υπολογισμό όλων των πιθανών επιφανειών καταλύτη και των σημείων δέσμευσης μέσω ωμής δύναμης προτού επαληθευτούν με παραδοσιακές μεθόδους.

Υπάρχει λόγος να πιστεύουμε στην αποτελεσματικότητα των προσεγγίσεων AI στην ανακάλυψη καταλυτών. Ναι, το έκαναν οι ερευνητές εφαρμοσμένα μοντέλα να ανακαλύψουν διαμεταλλικές επιφάνειες και καταλύτες που μετατρέπουν τα απόβλητα άνθρακα σε προϊόντα εμπορικής αξίας. Η χρήση της τεχνητής νοημοσύνης για την αναζήτηση υλικών καθαρής ενέργειας διερευνήθηκε σε εργαστήριο του 2017 που διοργανώθηκε σε συνεργασία με το Καναδικό Ινστιτούτο Προηγμένης Έρευνας Και η Ulissi ήταν ένας από τους πολλούς ερευνητές που έλαβε επιχορήγηση 1,2 εκατομμυρίων δολαρίων από το Υπουργείο Ενέργειας των ΗΠΑ το 2019 για να χρησιμοποιήσει τη μηχανική μάθηση και την επιστήμη δεδομένων για να σχεδιάσει πιο αποτελεσματικούς καταλύτες για τη χημική επεξεργασία. .

Βασικά μοντέλα

Στο πλαίσιο του έργου Open up Catalyst, οι Fb και Carnegie Mellon λένε ότι έχουν αρχίσει να πειραματίζονται με τη χρήση μικρού αριθμού υπολογισμών DFT για να εκπαιδεύσουν πιο αποτελεσματικά μοντέλα AI στη φυσική που διέπει την κβαντική μηχανική. Στην πραγματικότητα, δίδαξαν μοντέλα για την προσέγγιση της ενέργειας και των δυνάμεων των μορίων με βάση προηγούμενα δεδομένα.

Αυτή η κατεύθυνση της έρευνας κίνησε τη δημιουργία του OC2020, το οποίο το Facebook και ο Carnegie Mellon περιγράφουν ως πολύ μεγαλύτερα και πιο κατάλληλα για σκοπούς από πολλά υπάρχοντα σύνολα δεδομένων. Τα βασικά μοντέλα που εκπαιδεύονται στο OC2020 χρειάζονται 12 έως 72 ώρες για να κάνουν μια χαλάρωση με τους διακομιστές Optimus και Facebook, με κάθε χαλάρωση να αποτελείται από εκατοντάδες μικρότερα βήματα χρόνου. Τέλος, ο στόχος είναι να υπολογιστούν οι χαλαρώσεις σε λίγα δευτερόλεπτα.

Η ταχύτητα δεν είναι ο μόνος παράγοντας. Σε κάθε φάση χαλάρωσης, οι δυνάμεις που παίζονται σε κάθε άτομο του συστήματος πρέπει να προβλέπονται με ακρίβεια. Αυτό δεν σημαίνει ότι επιδεινώνει τα λάθη έως ότου στο τέλος η προσομοίωση δεν μοιάζει με την πραγματικότητα. “Ένα σφάλμα στους εκατοστά της κλίμακας angstrom, ένα κλάσμα του μεγέθους ενός ατόμου, θα μπορούσε να οδηγήσει σε λιγότερο αποτελεσματικούς καταλύτες από ό, τι περιμέναμε από το μοντέλο μας ή, χειρότερα, να παραβλέψουμε μια κρίσιμη ανακάλυψη στην ηλεκτροκατάλυση”, Larry Zitnick, a Ο ερευνητής του Fb στο Open up Catalyst Job, εξηγεί σε μια ανάρτηση ιστολογίου. “Η προσέγγιση των υπολογισμών DFT θέτει ένα εξαιρετικά δύσκολο πρόβλημα AI.”

Facebook Carnegie Mellon AI

Το Facebook και ο Carnegie Mellon λένε ότι ελπίζουν ότι το έργο Open Catalyst και η κυκλοφορία του συνόλου δεδομένων και μοντέλων θα εμπνεύσουν ερευνητές από την ευρύτερη κοινότητα και προσπάθειες να ξεκινήσουν γρήγορα προσπάθειες που παρεμποδίζονται από την έλλειψη επεξεργασίας. Επιπλέον, ο Zitnick υποστηρίζει ότι τεχνικές που εφαρμόζονται σε μοντέλα προβλημάτων κβαντικών αλληλεπιδράσεων θα μπορούσαν να εφαρμοστούν σε προκλήσεις στην αποκατάσταση της ποιότητας του νερού, στην ανακάλυψη ιατρικής θεραπείας, στην προηγμένη κατασκευή και στη γεωχημεία.

«Είμαστε αποφασισμένοι να επιτρέψουμε στην κοινότητα να αξιοποιήσει το έργο και τις εξελίξεις μας σε μια προσπάθεια να προωθήσει την κατάσταση της τέχνης το συντομότερο δυνατό», συνέχισε ο Zitnick. “Το έργο Open Catalyst έχει δεσμευτεί να μοιράζεται τα μελλοντικά μοντέλα AI, τις γραμμές βάσης και τις μετρήσεις αξιολόγησης, καθώς και τυχόν μελλοντικά σύνολα δεδομένων που δημιουργούμε … Εάν είναι επιτυχής, αυτή η έρευνα έχει τη δυνατότητα να επιταχύνει σημαντική παγκόσμια στροφή προς το κόστος που σχετίζεται με τους τρέχοντες ηλεκτροκαταλύτες, παρέχοντας μια επεκτάσιμη εναλλακτική λύση στις ακριβές τεχνολογίες αποθήκευσης όπως οι μπαταρίες και παρέχοντας καθαρή και βιώσιμη ενέργεια παγκοσμίως. “



[via]

Απάντηση

Αυτός ο ιστότοπος χρησιμοποιεί το Akismet για να μειώσει τα ανεπιθύμητα σχόλια. Μάθετε πώς υφίστανται επεξεργασία τα δεδομένα των σχολίων σας.