首頁 > AI資訊 > 行業(yè)動態(tài) > 6.85億次AI加速模擬，分析2萬種材料，Meta發(fā)布催化劑數(shù)據集OCx24

6.85億次AI加速模擬，分析2萬種材料，Meta發(fā)布催化劑數(shù)據集OCx24

新火種    2024-11-27

編輯 | X_X

近日，Meta FAIR 與多倫多大學和 VSParticle（荷蘭納米技術工程公司 ）合作，發(fā)布了開放催化劑實驗 2024（OCx24）數(shù)據集，該數(shù)據集包含 572 個使用濕法和干法合成的樣品，并經過 X 射線熒光和 X 射線衍射表征。為新催化劑的開發(fā)提供了寶貴的見解。

該研究是 Meta FAIR 開放催化劑項目的延續(xù)，旨在利用人工智能來建模和發(fā)現(xiàn)新的催化劑，應對氣候變化帶來的能源挑戰(zhàn)。

研究人員在實驗室合成并測試了數(shù)百種用于催化的金屬合金。通過 6.85 億次 AI 加速模擬，分析了 20,000 種材料，試圖在模擬和現(xiàn)實之間架起橋梁。

在短短幾個月的時間里，OCx24 就識別、合成和測試了 525 種催化劑材料。據稱，這些材料可以在碳捕獲、氫氣生產和電池化學等領域發(fā)揮關鍵作用。

圖片

相關論文以「Open Catalyst Experiments 2024 (OCx24): Bridging Experiments and Computational Models」為題，于 2024 年 11 月 18 日發(fā)布在 arXiv 預印平臺。

圖片

論文鏈接：https://arxiv.org/abs/2411.11783

了解原子如何相互作用可以帶來許多科學進步，包括將廢棄的二氧化碳轉化為有價值的化學品，創(chuàng)造可持續(xù)的航空燃料、新的藥品、可再生能源消費品以及用于各種應用的清潔氫氣。

挑戰(zhàn)在于模擬原子集在計算上非常昂貴，特別是在模擬大量原子或原子系統(tǒng)如何在較長時間尺度上演化時。

視頻：實驗流程概述。（來源：Meta）

為了解決這一問題并推動該領域的研究發(fā)展，在過去五年中，Meta FAIR 的化學團隊發(fā)布了多個數(shù)據集和 AI 模型，旨在通過 Meta Open Catalyst、Meta Open DAC 和 Meta Open Materials 加快相關領域的計算速度。

與其他通常具有專有性的行業(yè)主導的研究不同，這些新工具為更廣泛的學術界帶來了全面的數(shù)據集和最先進的模型，從而可以進行更準確、更可擴展的研究。

圖片

圖示：計算和實驗篩選研究總結以及由此產生的結果。（來源：論文）

該實驗室正努力將理論概念轉化為實際應用。計算模型通常提供物理世界場景的簡化表示，但它們的結果仍需要在實際實驗室環(huán)境中得到驗證。

基于互補的專業(yè)知識和資源，Meta FAIR 與多倫多大學和 VSParticle 合作，建立了一條用于合成和測試大量混合金屬催化劑材料的精簡流程。這項為期兩年的研究產生了超過 600 種材料的數(shù)據集 OCx24，幫助社區(qū)開始彌合計算預測和實驗結果之間的差距。

通過實驗證明計算預測的有效性是一個復雜的過程。它需要合成各種各樣的催化劑，確認生成的材料符合預期目標，最后在工業(yè)相關條件下測試催化劑。

實驗+計算

對于實驗篩選，OCx24 采用兩種合成技術，即化學還原和火花燒蝕，合成了 572 個樣品，涵蓋了 13 種不同元素的多種樣品。

為了表征每個樣品，分別進行了 X 射線熒光 (XRF) 和 X 射線衍射 (XRD) 以確定其成分并闡明合成樣品的純度和結構。使用自動化 XRD 多相識別管道識別出純度更高、結構與目標材料一致的相。匯總相似成分后，剩余 179 個實驗目標用于下游建模工作。

圖片

圖示：實驗流程，從合成到特性分析和測試過程。（來源：論文）

研究準備了 441 個氣體擴散電極（包括重復品），并在電流密度高達 300 mA/cm^2 下，使用零間隙電解對其進行了二氧化碳還原（CO2RR）和析氫反應（HER）評估。

對于計算篩選，OCx24 計算了 19,406 種材料的 6 種吸附中間體（OH、CO、CHO、C、COCOH、H）的吸附能。考慮了材料項目（MP）、開放量子材料數(shù)據庫（OQMD）和 Alexandria 中在反應條件下 (Pourbaix 分解能小于 0.05 eV/原子) 具有熱力學穩(wěn)定性的任何材料。使用結合 AI 和 DFT 計算的 AdsorbML 管道，對米勒指數(shù)高達 2 的表面終端執(zhí)行吸附能計算。

這項工作需要 6.85 億個結構弛豫和 ～2000 萬個 DFT 單點，是迄今為止任何應用領域最大規(guī)模的催化劑計算篩選。

通過結合實驗和計算結果，研究人員建立了氫析出反應的預測模型。使用 H 和 OH 的吸附能作為特征，對模型進行訓練，以預測 50 mA/cm^2 產率下的電池電壓。

圖片

圖示：析氫反應活性。（來源：Meta）

為了進行測試，多倫多大學開發(fā)了一條高通量測試管道，每天可以進行 30 次實驗。研究人員測試了用于綠色氫氣生產的催化劑，目的是找到可以替代昂貴的鉑基氫析出反應 (HER) 催化劑的新型低成本催化劑。

使用基于實驗數(shù)據的擬合線性模型，研究人員對 19,406 種材料進行推理，識別出 Sabatier volcano 的頂部附近含有鉑，即使訓練數(shù)據中沒有 Pt 合金。這項分析揭示了數(shù)百種潛在的 HER 催化劑，其中許多由低成本元素制成，可提供潛在的經濟實惠的替代品。

圖片

圖示：HER 的薩巴蒂爾火山圖，y 軸上的點越高表示催化劑越好?；鹕叫螤畹男纬墒且驗榇呋瘎┬枰郧〉胶锰幍姆绞轿磻械姆肿印炔荒芴珡姡膊荒芴酢Τ^ 19,000 種材料進行了推斷。（來源：Meta）

實驗結果與計算描述符之間的相關性隨著訓練數(shù)據集大小的增加而提高。通過此分析，研究人員預測將數(shù)據集大小增加到 10^4 或 10^5 將允許構建更多預測模型。

圖片

圖示：使用LOCO交叉驗證評估 HER 相關性結果與數(shù)據集大小的關系。（來源：論文）

由于 CO、H2、CH4和 C2H4等多種產物的存在，評估 CO2還原模型十分復雜。預測結果顯示 H2和 CO 之間存在相當?shù)南嚓P性，但要捕捉完整的反應復雜性仍存在挑戰(zhàn)。

圖片

圖示：CO2RR 預測的幾種產品的生產率。（來源：論文）結語

從開展化學和材料科學研究的 Open Catalyst 項目開始，該團隊就專注于氣候應用，例如可再生能源儲存、綠色氫氣生產和可再生能源燃料生產。為推動這些過程的反應尋找低成本且有效的催化劑對于實現(xiàn)碳凈零未來至關重要。成功完成這一研究挑戰(zhàn)為改變世界提供了機會，類似于研究蛋白質以發(fā)現(xiàn)藥物。

「通過這次合作，我們在材料發(fā)現(xiàn)方面取得了新突破?！筂eta AI 研究主管 Larry Zitnick 說，「這標志著我們預測和驗證清潔能源解決方案關鍵材料的能力有了重大飛躍。我們在電催化劑上取得的研究成果表明，人工智能在應對緊迫氣候挑戰(zhàn)方面具有巨大潛力?！?/p>

「通過以前所未有的速度生產獨特的電催化劑，我們與 Meta 和多倫多大學的合作不僅有助于驗證多年的理論，而且還縮短了從發(fā)現(xiàn)到應用的時間表；掃清了數(shù)十年來阻礙先進材料發(fā)展的瓶頸。」 VSParticle 聯(lián)合創(chuàng)始人兼首席執(zhí)行官 Aaike van Vugt 表示。

展望未來，研究人員很高興能繼續(xù)利用人工智能幫助緩解氣候變化的影響，并繼續(xù)探索人工智能在材料科學發(fā)現(xiàn)中的其他有影響力的應用。

潛在的應用范圍非常廣泛。例如，除了這項關于催化劑的研究之外，該團隊還與 Meta 的 Reality Lab Research 合作，在原子水平上對材料進行建模，以發(fā)現(xiàn)可用于推動 AR 眼鏡創(chuàng)新的新型晶體。

研究人員堅信，隨著人工智能模型變得更加高效，并提高其在各種材料和分子中的推廣能力，我們將看到各個行業(yè)的突破，這將對人類以及我們與技術的互動方式產生深遠的影響。

相關內容：

https://x.com/jehad__abed/status/1858922687198097607https://ai.meta.com/blog/open-catalyst-simulations-experiments/https://www.theengineer.co.uk/content/news/meta-ai-helps-build-experimental-catalyst-database

文內視頻鏈接：https://mp.weixin.qq.com/s/FTrs1kJGlWrZShDUZUjHtQ

相關推薦
免責聲明
本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。

熱門文章