کلیک/ هوش مصنوعی فیسبوک با همکاری دانشگاه کارنگی ملون (CMU) تحقیقاتی را به منظور کشف الکتروکاتالیست‌های جدید مورد نیاز برای روش‌های کارآمدتر ذخیره انرژی‌های تجدید پذیر آغاز کردند.

تا امروز راه حل سنتی بشر برای حل مشکل رفتار غیر قابل پیش بینی منابع انرژی تجدید پذیر مانند انرژی خورشیدی و بادی، معمولاً تزریق توان اضافی به شبکه محلی یا ذخیره کردن آن در باتری های نسبتا کوچک صنعتی بوده است. اما هر چه تولید انرژی الکتریکی توسط انرژی های تجدیدپذیر بیشتر و بیشتر می‌شود، ظرفیت تولید آنها نیز می‌تواند به طور بالقوه از شبکه محلی فراتر رود به علاوه این که فناوری باتری برای ذخیره این میزان انرژی اضافه، می تواند بسیار گران شود.

یک گزینه جایگزین، استفاده از این توان اضافه برای راه اندازی واکنش های کاتالیزوری است. زک اولیسی، استادیار مهندسی شیمی و علم مهندسی مواد دانشگاه CMU، گفته است: “روش­های بسیار متفاوتی وجود دارد که می توانیم انرژی را ذخیره کنیم. شناخته شده‌ترین آن‌ها این است که شما آب را الکترولیز می‌کنید تا به هیدروژن و اکسیژن تقسیم شود. و سپس می‌توانید از هیدروژن آن در سلول­های سوخت هیدروژنی استفاده کنید.” وی افزود: ما همچنین می‌توانیم از آن برای تولید متانول، ماده اولیه لازم برای صنایع شیمیایی، یا تولید اتانول برای استفاده به عنوان سوخت مایع استفاده کنیم. به لطف کشف ۲۰۱۹ از دانشگاه آرکانزاس و آزمایشگاه ملی بروخاون، ما حتی می توانیم اتانول را مجدداً کاتالیز کنیم و با هر احتراق، مستقیما الکترون ها را از مولکول های مربوطه جمع آوری کنیم.

اما برای اینکه فرآیند کاتالیزوری قابل دوام و موثر باشد، کاتالیزور باید تا حد ممکن کارآمد باشد. با این حال، با توجه به اینکه کاتالیزورها معمولاً از ترکیبی ۳ یا ۴ عنصری از لا به لای حدود ۵۰ ماده مختلف ساخته می شوند و همراه با تعداد دیگری از متغیرهای شیمیایی و ساختاری وارد واکنش می شوند، یافتن بهترین نسبت ترکیب مواد و پیکربندی مناسب شکل سطح فیزیکی کاتالیزور، میلیاردها روش بالقوه را شامل می­شود. و این­ها فقط برای یک واکنش شیمیایی هستند.

روند بررسی ترکیبات بالقوه جدید بسیار کند است، بنابراین برای کمک به تسریع روند یافتن کاتالیزور، تیم هوش مصنوعی فیسبوک با همکاری دانشگاه کارنگی ملون در پروژه Open Catalyst همکاری خواهد کرد. آنها در نظر دارند که الگوریتم های یادگیری ماشین را بر روی داده های متن‌ باز آموزش دهند تا “محاسبات برآورد دقیق فعل و انفعالات اتمی را سریعتر از آنچه که در شبیه سازی های سنگین رایج انجام می شود، انجام دهد”.

استفاده از مکانیک کوانتوم برای شبیه سازی حرکات نسبی الکترون‌ها، اتم ها و مولکول ها در یک سیستم در تلاش برای یافتن پیکربندی با کمترین انرژی نهایی (“حالت پایدار”) به مقدار بیهوده ای از قدرت پردازش و زمان محاسبه نیاز دارد. حتی با دسترسی به سرورهای سطح بالای فیس بوک ، محاسبات مربوط به حالت پایدار برای یک ماده تنها از ۱۲ تا ۷۲ ساعت طول می کشد.

به گفته لری زیتنیک، نه تنها چنین مجموعه داده­ای گسترده، می تواند به بهبود چشمگیر مدل های یادگیری ماشین کمک کند بلکه به آنها “فیزیک اساسی حاکم بر مولکول ها در رابط های غیر آلی” را نیز آموزش می دهد. اگر محققان یادگیری ماشین در یافتن مدل سازی مناسب موفق باشند، “ما می توانیم چیزی را که قبلاً هشت ساعت طول می کشید را تحت یک ثانیه انجام دهیم”.

به همین ترتیب، مجموعه داده‌های Open Catalyst 2020 به صورت متن باز در دسترس جامعه پژوهش قرار گرفته است. زیتنیک امیدوار است که با استفاده از این مجموعه داده ها در آینده­ای نزدیک فیس بوک را به چالش بکشد.