开放催化剂实验2024

近日，Meta FAIR 与多伦多大学及荷兰纳米技术工程公司 VSParticle 合作，共同发布了开放催化剂实验 2024（OCx24）数据集。该数据集包含了 572 个通过湿法和干法合成的样品，并经过 X 射线荧光和 X 射线衍射表征，为新催化剂的开发提供了宝贵的数据支持。这一研究是 Meta FAIR 开放催化剂项目的延续，旨在利用人工智能技术建模和发现新的催化剂，以应对气候变化带来的能源挑战。

研究人员在实验室中合成并测试了数百种用于催化反应的金属合金。通过 6.85 亿次 AI 加速模拟，分析了 20,000 种材料，试图在模拟与现实之间建立联系。在短短几个月内，OCx24 就成功识别、合成并测试了 525 种催化剂材料。这些材料有望在碳捕获、氢气生产和电池化学等领域发挥重要作用。相关研究成果已于 2024 年 11 月 18 日发布在 arXiv 预印平台上，题为《开放催化剂实验 2024 (OCx24)：桥接实验与计算模型》。

了解原子间的相互作用能够带来许多科学进展，包括将废弃的二氧化碳转化为有价值的化学品，创造可持续的航空燃料、新药、可再生能源产品以及清洁氢气。然而，模拟原子集在计算上非常昂贵，尤其是在模拟大量原子或长时间尺度下的原子系统演化时。为解决这一问题并推动研究发展，Meta FAIR 化学团队在过去五年中发布了多个数据集和 AI 模型，如 Meta Open Catalyst、Meta Open DAC 和 Meta Open Materials，以加速相关领域的计算速度。这些工具为学术界提供了全面的数据集和先进的模型，促进了更准确、更可扩展的研究。

Meta FAIR 与多伦多大学和 VSParticle 合作，建立了一条高效的合成和测试流程，用于制备和测试大量混合金属催化剂材料。这项为期两年的研究产生了超过 600 种材料的数据集 OCx24，帮助科研人员弥合计算预测与实验结果之间的差距。实验过程中，研究人员采用了化学还原和火花烧蚀两种合成技术，合成了 572 个样品，涵盖了 13 种不同元素的多种组合。通过 X 射线荧光 (XRF) 和 X 射线衍射 (XRD) 对每个样品进行了表征，确保其成分和结构符合预期目标。

研究团队还进行了大量的计算筛选，计算了 19,406 种材料的 6 种吸附中间体（OH、CO、CHO、C、COCOH、H）的吸附能。这些计算涉及材料项目（MP）、开放量子材料数据库（OQMD）和 Alexandria 中在反应条件下热力学稳定的材料。通过结合 AI 和密度泛函理论（DFT）计算，对米勒指数高达 2 的表面终端进行了吸附能计算。这项工作共进行了 6.85 亿次结构弛豫和约 2000 万次 DFT 单点计算，是迄今为止最大规模的催化剂计算筛选之一。

通过结合实验和计算结果，研究人员建立了氢析出反应的预测模型。使用 H 和 OH 的吸附能作为特征，对模型进行训练，以预测 50 mA/cm² 产率下的电池电压。多伦多大学开发了一条高通量测试管道，每天可以进行 30 次实验，用于测试绿色氢气生产的催化剂，寻找可以替代昂贵的铂基氢析出反应 (HER) 催化剂的新型低成本催化剂。研究结果显示，许多低成本元素制成的催化剂具有潜在的经济优势，可以作为铂基催化剂的替代品。

实验结果与计算描述符之间的相关性随着训练数据集大小的增加而提高。研究人员预测，将数据集大小增加到 10⁴ 或 10⁵ 将有助于构建更准确的预测模型。此外，评估 CO₂ 还原模型的复杂性也得到了显著提升，尤其是对 H₂ 和 CO 之间的相关性进行了深入研究。

Meta AI 研究主管 Larry Zitnick 表示：“通过这次合作，我们在材料发现方面取得了重要突破。这标志着我们在预测和验证清洁能源解决方案关键材料的能力上迈出了重要一步。我们的研究成果表明，人工智能在应对紧迫的气候挑战方面具有巨大的潜力。” VSParticle 联合创始人兼首席执行官 Aaike van Vugt 也表示：“通过与 Meta 和多伦多大学的合作，我们不仅验证了多年的理论，还缩短了从发现到应用的时间，解决了长期困扰先进材料发展的瓶颈。”

展望未来，研究人员将继续利用人工智能技术帮助缓解气候变化的影响，并探索人工智能在材料科学发现中的其他应用。潜在的应用范围非常广泛，例如，该团队还与 Meta 的 Reality Lab Research 合作，在原子水平上对材料进行建模，以发现可用于推动 AR 眼镜创新的新型晶体。随着人工智能模型的不断改进，我们将在各个行业中见证更多的突破，这将对人类社会和科技发展产生深远的影响。

本文来源：