Suchen

KI und ein riesiger Datensatz für die Lösung des weltweiten Energieproblems Das Open Catalyst Project soll Wege zur Speicherung erneuerbarer Energie finden

Autor / Redakteur: Larry Zitnick* / Ulrike Ostler

Facebook und die Fakultät für Chemieingenieurwesen der Carnegie Mellon Universität haben das „Open Catalyst Project“ inittiert, um neue Wege zu finden, Erneuerbare Energie zu speichern. Die Forscher des Open-Source-Projekts wollen Künstliche Intelligenz nutzen, um quantenmechanische Simulationen um das 1.000-fache zu beschleunigen. Letztlich sind sie auf der Suche nach neuen Elektrokatalysatoren.

Firmen zum Thema

Die vorhandenen Datensätze waren relativ klein und für die Ausbildung ungeeignet, da zur Erzeugung selbst einer vergleichsweise kleinen Menge von DFT-Daten spezielles chemisches Wissen, technisches Fachwissen und eine beträchtliche Rechenleistung erforderlich waren.
Die vorhandenen Datensätze waren relativ klein und für die Ausbildung ungeeignet, da zur Erzeugung selbst einer vergleichsweise kleinen Menge von DFT-Daten spezielles chemisches Wissen, technisches Fachwissen und eine beträchtliche Rechenleistung erforderlich waren.
(Bild: Facebook)

Wind- und Sonnenenergie sind bereits lebenswichtige Bestandteile des modernen Energienetzes, insbesondere wenn wir hoffen, den Klimawandel zu bekämpfen, schreibt Forscher Larry Zitnick in einem seiner Blog-Beiträge. Doch weder scheint die Sonne immer noch weht der Wind und dann häufig zu Zeiten, in denen der intermittierende Strom die Nachfrage nicht bedienen kann. Um die Zuverlässigkeit von erneuerbaren Energien zu erhöhen, muss der Strom für Tage, Wochen oder sogar Monate gespeichert werden, damit er bei Bedarf zur Verfügung steht.

Diese Grafik zeigt den Energiebedarf während des Tages im Vergleich zur Wind- und Sonnenenergie-Erzeugung. Die verwendeten Daten sind von einem unabhängigen kalifornischen Netzbetreiber (http://www.caiso.com/TodaysOutlook/Pages/default.aspx) am 1. September 2020 erhoben worden.
Diese Grafik zeigt den Energiebedarf während des Tages im Vergleich zur Wind- und Sonnenenergie-Erzeugung. Die verwendeten Daten sind von einem unabhängigen kalifornischen Netzbetreiber (http://www.caiso.com/TodaysOutlook/Pages/default.aspx) am 1. September 2020 erhoben worden.
(Bild: Facebook)

Die meisten Menschen denken dabei instinktiv an Batterien zur Energiespeicherung. Das Problem: Die Kosten für die Ausstattung des Stromnetzes mit genügend Lithium-Ionen-Batterien für tage- oder wochenlange Reserveleistung während einer wolkigen, windarmen Strecke sind einfach immens. Eine solche Speicherung ist schlichtweg unerschwinglich, insbesondere im globalen Maßstab, so Zitnick.

Eine der wenigen skalierbaren Lösungen besteht darin, überschüssige Sonnen- und Windenergie in andere Brennstoffe, wie Wasserstoff oder Ethanol, umzuwandeln. Zitnick: „Leider sind die derzeitigen Methoden dafür ineffizient oder beruhen auf seltenen und teuren Elektrokatalysatoren wie Platin, was ihre praktische Anwendbarkeit einschränkt. Unser Ziel mit dem Open Catalyst Project ist es, kostengünstige Katalysatoren zu entdecken, um diese chemischen Reaktionen voranzutreiben.“

Um dies zu erreichen, wollen die Forscher eine Künstliche Intelligenz entwickeln, die atomare Wechselwirkungen wesentlich schneller genau vorhersagen kann als die rechenintensiven Simulationen, auf die sich die Wissenschaftler heute verlassen. Berechnungen, die in modernen Labors Tage dauern, könnten mit Hilfe der KI Sekunden dauern. Dies hat Auswirkungen außerhalb der Katalyse und wird es den Wissenschaftlern ermöglichen, andere Herausforderungen, die die Quantenmechanik betreffen, schnell zu erforschen und zu iterieren.

Zu diesem zwack haben Facebook- und die Carnegie-Mellon-Wissenschaftler in der vergangenen Woche den Datensatz Open Catalyst 2020 (OC20) - den größten seiner Art - veröffentlicht, um die eine die wissenschaftliche Gemeinschaft in die Lage zu versetzen, sich an dieser laufenden Forschung zu beteiligen und so den Fortschritt bei diesem entscheidenden Vorhaben zu beschleunigen. Außerdem stellen sie auch die bereits existenten Basismodelle auf Gitbub zur Verfügung und richten Leaderboards ein, um Ansätze mit dem Stand der Technik zu vergleichen und Fortschritte zu bewerten.

Milliarden von Möglichkeiten

Die Entdeckung von Katalysatoren ist ein mühsamer Prozess. Geht man davon aus, dass Katalysatoren aus bis zu drei der 40 bekannten Metalle hergestellt werden, gibt es fast 10.000 Kombinationen von Elementen - aber jede Kombination muss dann durch Anpassung der Verhältnisse oder Konfigurationen der Elemente getestet werden, wobei sich die Möglichkeiten dann in die Milliarden ausweiten.

Forscher könnten erwarten, dass sie drei oder vier mögliche Katalysatorzusammensetzungen pro Jahr mit Hilfe von Standardsynthesemethoden von Hand ausprobieren können. Quantenmechanische Simulationswerkzeuge wie die Density Functional Theory (DFT) bieten einen Einblick in die Katalysatorblockaden und könnten dazu verwendet werden, die experimentellen Anstrengungen auf die vielversprechendsten Kandidaten zu konzentrieren. In der Folge wäre ein modernes Berechnungslabor vermutlich in der Lage, 40.000 Simulationen pro Jahr durchzuführen.

„Aber das ist angesichts des Umfangs des Problems immer noch nicht annähernd genug“, so Zitnick. „Unser Ziel ist es, die Forscher in die Lage zu versetzen, Milliarden möglicher Katalysatoren pro Jahr zu untersuchen. Leider ist dies mit den heutigen Werkzeugen so gut wie unmöglich.“

Die Limitierungen der Density Functional Theory

Denn DFT verwendet die Quantenmechanik, um die Bewegung von Atomen in einem gegebenen Szenario zu simulieren. Dabei wird die Energie eines Systems abgeschätzt und versucht, die Konfiguration mit der niedrigsten Energie oder den „entspannten“ Zustand zu finden. Dieser Prozess ist rechenaufwändig und intensiv und dauert selbst auf High-End-Servern Stunden oder sogar Tage pro Entspannung. DFT skalier zudem auch schlecht, wenn die Anzahl der Atome erhöht werden, was sowohl zu längeren Rechenzeiten als auch zu einer erhöhten Ausfallrate führt.

Zitnick folgert: „Der Einsatz Künstlicher Intelligenz zur Annäherung der DFT-Berechnung ist eine Notwendigkeit, wenn wir das gesamte Feld möglicher Katalysatoren erforschen wollen.“ Ein potenziell vielversprechender Ansatz sei die Verwendung einer vergleichsweise geringen Anzahl an DFT-Berechnungen, um effizientere Machine-Learning-Modelle in der fundamentalen Physik der Quantenmechanik zu trainieren und den Modellen beizubringen, die Energie und Kräfte von Molekülen auf der Grundlage früherer Daten zu approximieren. „Wir haben damit begonnen, diese Ideen mit unseren Basismodellen zu erforschen, die aus verwandten Open-Source-Bemühungen übernommen wurden.“

Bislang ist allerdings der Mangel an Schulungsdaten ein großes Hindernis für Forscher gewesen, die versucht haben, KI-Modelle zur Annäherung an DFT-Berechnungen zu entwickeln. Die vorhandenen Datensätze waren relativ klein und für die Ausbildung nicht gut geeignet, da zur Erzeugung selbst einer vergleichsweise kleinen Menge von DFT-Daten spezielles chemisches Wissen, technisches Fachwissen und eine beträchtliche Rechenleistung erforderlich waren.

Der OC20-Datensatz

Der Open Catalyst 2020-Datensatz, der jetzt veröffentlicht wurde, ist das Ergebnis einer Zusammenarbeit, die Ende vergangenen Jahres zwischen Facebook AI und der Forschungsgruppe von Professor Zachary Ulissi am CMU begann. Der OC20-Datensatz konzentriert sich auf Moleküle, die für Anwendungen im Bereich der erneuerbaren Energien wichtig sind, und umfasst über 1,3 Millionen Relaxationen molekularer Adsorptionen auf Oberflächen, den bisher größten Datensatz von Elektrokatalysatorstrukturen.

Die Teams um Ulissi und Zitnick glauben, dass ein Datensatz dieser Größenordnung zu signifikanten Verbesserungen der ML-Modelle führen dürfte, insbesondere hinsichtlich ihrer Fähigkeit, die zugrundeliegende Physik der Moleküle an anorganischen Grenzflächen zu verallgemeinern und zu erlernen. Darüber hinaus öffne er die Tür zur Vorhersage der Reaktionsselektivität über die Katalysatorzusammensetzung hinweg, eine bekanntermaßen schwierige Aufgabe.

Die vorhandenen Datensätze waren relativ klein und für die Ausbildung ungeeignet, da zur Erzeugung selbst einer vergleichsweise kleinen Menge von DFT-Daten spezielles chemisches Wissen, technisches Fachwissen und eine beträchtliche Rechenleistung erforderlich waren.
Die vorhandenen Datensätze waren relativ klein und für die Ausbildung ungeeignet, da zur Erzeugung selbst einer vergleichsweise kleinen Menge von DFT-Daten spezielles chemisches Wissen, technisches Fachwissen und eine beträchtliche Rechenleistung erforderlich waren.
(Bild: Facebook)

Die Ulissi-Gruppe hat bereits früher gezeigt, dass diese Werkzeuge auf spezifischere Katalyseprobleme angewandt werden können. Der OC20-Datensatz sei somit ein bedeutender Schritt vorwärts, um Ansätze für eine viel breitere Palette neuer Materialien und Chemikalien zu ermöglichen.

Die DFT-Simulationen mit Ersatzrechenzyklen ist über einen Zeitraum von vier Monaten erfolgt. Die Rechenzentren von Facebook werden bis Ende des Jahres Netto-Null-Emissionen erreichen, was insbesondere dazu taugt, die rechenintensiven Berechnungen durchzuführen, die für den Aufbau dieses Datensatzes erforderlich sind.

Auf der Suche nach neuen Katalysatoren

Trotzdem hat selbst mit den High-End-Servern von Facebook jede Entspannung für den Open Catalyst-Datensatz noch zwischen 12 und 72 Stunden gedauert. Das erklärte Ziel ist nun, diesen Prozess über KI-Modelle zu beschleunigen, so dass letztendlich jede Relaxierung nur Sekunden dauert.

Diese Simulation, 108-fach vergrößert, modelliert eine typische Relaxation zwischen einem Adsorbat (in Farbe) und der Oberfläche eines Katalysators. Es sieht zwar einfach aus, aber die derzeitigen DFT-Methoden benötigen Stunden oder sogar Tage, um alle quantenmechanischen Kräfte zu berechnen, die auf dieser Ebene zusammenwirken.

Allerdings sind die quantenmechanische Simulationen kompliziert, und die Fehlermargen gering. Zitnick erläutert: „Relaxationen bestehen aus Hunderten von kleineren Zeitschritten, und bei jedem Schritt müssen wir die Kräfte, die auf jedes Atom im System wirken, genau vorhersagen. Geschieht dies nicht, so bedeutet dies, dass sich Fehler summieren, bis die Simulation schließlich wenig bis gar keine Ähnlichkeit mehr mit der Realität aufweist. Ein Fehler in der Größenordnung von Hundertstel Angström, einem Bruchteil der Größe eines Atoms, könnte dazu führen, dass wir Katalysatoren verfolgen, die weniger effizient sind, als wir von unserem Modell erwartet haben - oder schlimmer noch, dass wir einen entscheidenden Durchbruch in der Elektrokatalyse übersehen.“

Andererseits könnte ein Erfolg bahnbrechende Wirkung haben: Er könnte die breite Einführung erneuerbarer Energien einleiten, da die Kosten sinken und die Auswirkungen auf das Netz durch eine bessere Speicherung gemildert werden. Da der Energiebedarf weiter steigt und der Kampf gegen den Klimawandel immer dringender wird, bietet dieses Problem die Chance, die künstliche Intelligenz in einer Weise voranzubringen, die erhebliche Auswirkungen in der realen Welt haben wird.

Die Zukunft

Die Modellierung von Quantenwechselwirkungen untermauert auch viele moderne wissenschaftliche Probleme. „Wenn es uns gelingt, eine Künstliche Intelligenz zu entwickeln, die atomare Wechselwirkungen genau vorhersagen kann, könnten wir die gleichen Techniken vielleicht auch auf andere Herausforderungen wie die Sanierung der Wasserqualität, die Entwicklung neuer medizinischer Behandlungen, die fortgeschrittene Fertigung oder die Geochemie anwenden. In der Lage zu sein, in wenigen Sekunden zu erreichen, was früher Tage (oder sogar Wochen) dauerte, würde die Labors revolutionieren und ihnen helfen, viele wichtige wissenschaftliche Probleme mit beispielloser Geschwindigkeit anzugehen.“

Zitnick schließt: „Und auf einer breiteren Ebene hoffen wir, dass das Open Catalyst Project als Beispiel für disziplinübergreifende KI-Forschung dient und zeigt, wie Experten aus verschiedenen Bereichen zum Wohle aller zusammenarbeiten können.“

* Larry Zitnick ist Forschungsleiter der KI-Forschung bei Facebook.

(ID:46935613)