Facebook通过人工智能寻找可在生能源存储解决方案
对于太阳能和风能等可再生能源的不可预测性，我们的传统解决方案通常是将多余的能源数回当地电网，或将其隔离在公用事业规模的电池中。但随着我们越来越多的发电是由可再生能源创造的，它们的生产能力有可能超过当地电网，而电池技术的规模成本可能很快变得令人望而却步。
For the unpredictability of renewable energy such as solar and wind energy, our traditional solution is usually to count the excess energy back to the local grid or isolate it in utility scale batteries. But as more and more of our power generation is generated by renewable energy, their production capacity is likely to exceed the local grid, and the scale cost of battery technology can soon become prohibitive.
另一种选择是将多余的能量用于驱动催化反应。CMU化学工程和材料 与工程系助理教授Zack Ulissi告诉Engadget：“我们可以通过很多不同的方式来储存能量。 著名的是你把水电解成氢和氧。”他补充说：“我们还可以用它生产甲醇，这是化学工业的基本原料，也可以制造乙醇作为液体燃料。”由于阿肯色大学和布鲁克海文 实验室2019年的一项发现，我们甚至可以重新催化乙醇，在任何燃烧的情况下直接从各自的分子中剥离电子。
但为了使催化过程可行有效，催化剂必须尽可能高效。然而，考虑到催化剂通常由3-或4-元素组成，这种组合来自近50个潜在元素。如果加上其他一系列化学和结构变量，从成分比例到元素结构再到催化剂的物理表面形状，数十亿种潜在的方法可以制造出 佳催化剂。这只是一种化学反应。
研究新的潜在化合物的过程相当缓慢，因此为了帮助加速催化剂的生成过程，Facebook人工智能与卡内基梅隆大学（Carnegie Mellon University）合作开展了开放催化剂项目。据该公司近日的一篇博客文章称，他们计划在开源数据上训练机器学习算法，以“准确预测原子间的相互作用，大大快于 家们今天所依赖的大量计算的模拟”。
这些模拟包括密度泛函理论（DFT），化学工程师将经常使用该量子力学系统来寻找 有前途的候选人，并避免潜在的研究僵局。
Ulissi解释说：“密度泛函理论是解决电子在系统中相互作用方式的一种方法，现在，如果您认为使用量子力学来模拟多体系统中电子，原子和分子的相对运动，以试图找到具有 低 终能量（“松弛状态”）的构型，则需要大量的处理能力和计算时间，即使可以访问Facebook的服务器，单个候选材料迭代的松弛计算也可能需要12到72小时。
所以Facebook和CMU并没有试图强制应用这些数十亿排列的方法，而是建立了OpenCatalyst,2020,000个吸附在表面的数据集，并计划用它来训练基本物理上的机器学习算法。指导量子力学，教授模型根据过去的数据估算分子的能量和作用力。
Facebook AI研究 家拉里·齐特尼克（Larry Zitnick）在周三的博客文章中指出，不仅如此大的数据集不仅应该有助于极大地改善ai学习模型的能力，而且还可以教会他们“在无机界面上控制分子的基本物理原理”。
In a blog post on Wednesday, Larry zitnick, a Facebook AI research scientist, pointed out that not only should such a large data set help greatly improve AI's ability to learn models, but also teach them "the basic physical principles of controlling molecules at inorganic interfaces.".
如果研究人员成功地训练了ML模型，“我们可以花费过去八个小时的时间，很可在一秒钟之内完成它们……我们我希望基本上用ai学习算法取代DFT。”
“这就是我们的目标，”，“我们想亲自开始进行大规模的催化探索，而不仅仅是测试10或10,000、100,000或数百万，而是开始测试数十亿种不同的可能性。”
因此，Open Catalyst 2020数据集已开源，可供研究团体使用。Zitnick希望在不久的将来使用数据集举办一次Facebook挑战赛。