[논문 리뷰] An Introduction to Electrocatalyst Design using Machine Learning for Renewable Energy Storage

C. Lawrence Zitnick, Lowik Chanussot외 15명|arXiv (Cornell University)|2020. 10. 14.

Machine Learning in Materials Science인용 수 35

한 줄 요약

논문은 기계 학습이 밀도 범함수 이론(DFT) 계산을 근사하여 수소 에너지 저장 및 메탄 합성용 전催화 설계의 속도를 높이는 방법을 OC20 데이터세트를 통해 제시한다.

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.

연구 동기 및 목표

• 확장 가능하고 비용 효율적인 재생에너지 저장 전략(HES 및 메탄 합성)을 동기화한다.
• 전촉매가 전기화학 반응을 개선하고 비용을 절감하는 역할을 설명한다.
• 밀도 범함수 이론의 한계와 ML 기반 근사 필요성을 제시한다.
• ML 모델의 기초로 OC20 데이터세트(Open Catalyst Project OC20)를 제시한다.

제안 방법

• 전촉매 발견의 과제와 DFT Relaxations의 관련성을 설명한다.
• ML 모델이 DFT 데이터로부터 학습하여 에너지와 기하를 예측하는 방법을 논의한다.
• 촉매 흡착 및 이완 작업을 위한 ML 모델 학습 자원으로 OC20 데이터세트를 소개한다.
• 표면에서의 촉매-흡착체 상호작용을 예측하기 위한 잠재적 ML 모델 방향을 개요한다.

실험 결과

연구 질문

• RQ1 ML이 양자역학적 계산을 근사하여 재생 에너지 저장을 위한 촉매 발견을 가속화할 수 있는 방법은 무엇인가?
• RQ2 흡착 에너지와 이완 기하를 예측하기 위해 ML 모델을 학습시키기에 적합한 데이터세트와 작업은 무엇인가?
• RQ3 ML 가속 촉매 설계가 HES 및 메탄 합성의 실현 가능성에 미칠 잠재적 영향은 무엇인가?

주요 결과

• ML은 DFT에 대해 효율적인 근사를 제공할 수 있어 촉매 옵션의 대규모 탐색이 가능해진다.
• OC20은 촉매 선별과 관련된 흡착 및 이완 작업을 위한 모델 학습에 적합한 데이터세트로 제안된다.
• 효율적인 ML 모델은 전체 DFT만으로는 비현실적인 수백만 개의 촉매-흡착체 조합을 테스트할 수 있게 한다.
• DFT의 높은 계산 비용과 촉매 발견의 가속화에 있어 ML의 가치에 대해 논의한다.
• 본 논문은 수소 에너지 저장 및 메탄 합성을 ML 보조 전催화 설계의 핵심 적용 영역으로 제시한다.