对于可再生能源（如太阳能和风能）不可预测的性质，我们的传统解决方案通常是将多余的能源数回当地电网，或将其隔离在公用事业规模的电池中。但是，随着我们越来越多的发电是由可再生能源创造的，其生产能力可能会超过本地电网的生产能力，而电池技术的规模很快就会变得过高。
一种选择是将多余的能量用于驱动催化反应。“我们有很多不同的能量存储方式，” CMU化学工程和材料科学与工程学助理教授Zack Ulissi “最著名的是水，然后电解将其分解为氢和氧。然后，您可以将氢气运入氢气燃料电池。” 他补充说，我们也可以用它来生产甲醇（化学工业的基本原料），或制造乙醇用作液体燃料。得益于阿肯色大学和布鲁克海文国家实验室的2019年发现，我们甚至可以重新催化乙醇，以任何燃烧直接从各自分子中剥离电子。
但是为了使催化过程可行和有效，催化剂必须尽可能高效。但是，考虑到催化剂通常是由3种或4种元素的组合制成，而这些元素是由将近50种潜在元素组成的，并且与一系列其他化学和结构变量结合使用时-从成分与构型的比例催化剂的物理表面形状中的元素-有数十亿种可能的方式来构建“最佳”催化剂。那只是一个化学反应。
因此，研究新的潜在化合物的过程相当缓慢，因此，为了帮助加速催化剂的制备过程，Facebook AI与卡内基·梅隆大学合作，研究了开放催化剂项目。该公司周三在博客中表示，他们计划在开源数据上训练ai学习算法，以“比科学家如今所依赖的计算量大的模拟更快地准确预测原子相互作用” 。
这些模拟包括密度泛函理论（DFT），化学工程师将经常使用该量子力学系统来寻找最有前途的候选人，并避免潜在的研究僵局。
Ulissi解释说：“密度泛函理论是解决电子在系统中相互作用方式的一种方法，现在，如果您认为使用量子力学来模拟多体系统中电子，原子和分子的相对运动，以试图找到具有最低最终能量（“松弛状态”）的构型，则需要大量的处理能力和计算时间，即使可以访问Facebook的服务器，单个候选材料迭代的松弛计算也可能需要12到72小时。
因此，Facebook和CMU并没有试图强行应用这些数十亿个排列的方法，而是建立了Open Catalyst 2020数据集，该数据集收集了130万个分子在表面上吸附的弛豫，并计划利用它来训练“基本物理学”上的机器学习算法。指导量子力学，教授模型以根据过去的数据估算分子的能量和作用力。”
Facebook AI研究科学家拉里·齐特尼克（Larry Zitnick）在周三的博客文章中指出，不仅如此大的数据集不仅应该有助于极大地改善ai学习模型的能力，而且还可以教会他们“在无机界面上控制分子的基本物理原理”。
如果研究人员成功地训练了ML模型，“我们可以花费过去八个小时的时间，很可在一秒钟之内完成它们……我们我希望基本上用ai学习算法取代DFT。”
“这就是我们的目标，”， “我们想亲自开始进行大规模的催化探索，而不仅仅是测试10或10,000、100,000或数百万，而是开始测试数十亿种不同的可能性。”
因此，Open Catalyst 2020数据集已开源，可供研究团体使用。Zitnick希望在不久的将来使用数据集举办一次Facebook挑战赛。
