[論文レビュー] An Introduction to Electrocatalyst Design using Machine Learning for Renewable Energy Storage

C. Lawrence Zitnick, Lowik Chanussot+15 more|arXiv (Cornell University)|Oct 14, 2020

Machine Learning in Materials Science被引用数 35

ひとこと要約

本論文は、機械学習が密度汎関数理論計算を近似し、OC20データセットを介して水素エネルギー貯蔵とメタン合成の電解触媒設計を加速させる方法を紹介する。

ABSTRACT

Scalable and cost-effective solutions to renewable energy storage are essential to addressing the world's rising energy needs while reducing climate change. As we increase our reliance on renewable energy sources such as wind and solar, which produce intermittent power, storage is needed to transfer power from times of peak generation to peak demand. This may require the storage of power for hours, days, or months. One solution that offers the potential of scaling to nation-sized grids is the conversion of renewable energy to other fuels, such as hydrogen or methane. To be widely adopted, this process requires cost-effective solutions to running electrochemical reactions. An open challenge is finding low-cost electrocatalysts to drive these reactions at high rates. Through the use of quantum mechanical simulations (density functional theory), new catalyst structures can be tested and evaluated. Unfortunately, the high computational cost of these simulations limits the number of structures that may be tested. The use of machine learning may provide a method to efficiently approximate these calculations, leading to new approaches in finding effective electrocatalysts. In this paper, we provide an introduction to the challenges in finding suitable electrocatalysts, how machine learning may be applied to the problem, and the use of the Open Catalyst Project OC20 dataset for model training.

研究の動機と目的

• スケーラブルでコスト効率の高い再生可能エネルギー貯蔵戦略を動機付ける（HESとメタン合成）。
• 電気化学反応を改善しコストを削減する上での電解触媒の役割を説明する。
• 密度汎関数理論の限界と機械学習ベースの近似の必要性を紹介する。
• 触媒学習の基盤としてOpen Catalyst Project OC20データセットを紹介する。

提案手法

• 電解触媒発見の課題とDFTリラクゼーションの関連性を説明する。
• MLモデルがDFTデータからエネルギーと幾何を予測する方法を論じる。
• OC20データセットを吸着とリラクゼーションタスクのMLモデル訓練の資源として紹介する。
• 表面での触媒-吸着体相互作用を予測するMLモデルの方向性を概説する。

実験結果

リサーチクエスチョン

• RQ1 MLは量子力学的計算をどのように近似して再生可能エネルギー貯蔵の触媒発見を加速できるか。
• RQ2 吸着エネルギーとリラックスした幾何を予測するMLモデルの訓練に適したデータセットとタスクは何か。
• RQ3 ML加速触媒設計がHESとメタン合成の実現可能性に与える潜在的影響は何か。

主な発見

• MLはDFTへの効率的な近似を提供する可能性があり、触媒オプションの大規模な探索を可能にする。
• OC20は触媒スクリーニングに関連する吸着とリラクゼーションタスクのモデル訓練用データセットとして提案されている。
• 効率的なMLモデルは、全DFTだけでは現実的でない数百万の触媒-吸着体組み合わせの評価を可能にする。
• DFTの高い計算コストと触媒発見を加速するMLの価値を強調している。
• 本論文は水素エネルギー貯蔵とメタン合成をML支援電解触媒設計の主要な適用領域として位置づける。