臉書和卡內基美隆大學合作，要以AI加速尋找再生能源儲存新方法

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。