Durante la última década, la catálisis computacional ha emergido como una de las áreas de investigación más activas y actualmente es una herramienta vital para estudiar procesos químicos y sitios activos. El requisito de calcular con precisión la energía de enlace más baja (la energía de adsorción) para un adsorbato y una superficie de catalizador de interés es un desafío típico para muchos enfoques computacionales. Las técnicas heurísticas y la intuición del investigador se han utilizado tradicionalmente para identificar combinaciones de superficie de adsorbato de baja energía. Desafortunadamente, el empleo de la heurística y la intuición por sí solos se vuelve más difícil a medida que crece la necesidad de una detección de alto rendimiento.
Es necesario relajar las posiciones de los átomos hasta que se alcance un mínimo de energía local para calcular la energía de adsorción para una configuración particular de la superficie del adsorbato. El método más popular para llevar a cabo esta relajación de la superficie del adsorbato es la Teoría del Funcional de la Densidad (DFT). Los cálculos de DFT necesarios pueden tardar días o semanas, ya que generalmente se investigan varias configuraciones para estimar la energía de adsorción. Se han visto avances recientes en la estimación de energía y fuerza atómica utilizando potenciales de aprendizaje automático (ML), que son órdenes de magnitud más rápidos que DFT. En este contexto, un equipo de investigación de la Universidad Carnegie Mellon propuso AdsorbML, un enfoque híbrido para estimar las energías de adsorción que utiliza las ventajas de los potenciales ML y DFT. El algoritmo adsorbML aprovecha ML para acelerar el proceso de colocación de adsorbato e identificar la energía de adsorción bajo un espectro de compensaciones de precisión y eficiencia.
AdsorbML usa GPU para realizar relajaciones de ML y las clasifica de energía más baja a máxima. Los k sistemas superiores se envían a DFT para una relajación completa de la estructura relajada de ML (RX) o una evaluación de un solo punto (SP). Los sistemas que no cumplen con las restricciones se filtran en cada etapa del proceso de relajación. El mínimo de todos los valores DFT se considera para la energía de adsorción final.
Conozca a Hailo-8™: un procesador de IA que utiliza la visión artificial para la reidentificación de múltiples personas con múltiples cámaras (patrocinado)
Además, los autores desarrollaron Open Catalyst 2020 – Dense Dataset (OC20-Dense) para comparar la tarea de búsqueda de energía de adsorción. Al examinar exhaustivamente múltiples configuraciones para cada sistema de superficie de adsorbato distinto, OC20-Dense se aproxima aproximadamente a la energía de adsorción real. OC20-Dense se compone de 87.045 configuraciones producidas aleatoria y heurísticamente, 850 estructuras cristalinas inorgánicas a granel y 995 emparejamientos de superficie de adsorbato diferentes que abarcan 76 adsorbatos diferentes. El cálculo del conjunto de datos consumió alrededor de 2 millones de horas de CPU.
Se realizó un estudio experimental para encontrar energías de adsorción comparables o mejores que las encontradas usando DFT solo en OC20-Dense. La métrica de tasa de éxito, que mide la proporción de sistemas OC20-Dense donde la energía de adsorción ML+DFT está dentro de 0,1 eV o menos que la energía de adsorción DFT, se utilizó para cuantificar este trabajo. El éxito disminuye alrededor de un 5% cuando solo se emplean configuraciones aleatorias.
El éxito disminuye mucho más notablemente cuando simplemente se tienen en cuenta las configuraciones heurísticas. Este resultado demuestra que las configuraciones aleatorias pueden tener un mayor impacto.
En este estudio, un método novedoso llamado AdsorbML ofrece una gama de compensaciones de precisión frente a eficiencia, con una opción bien equilibrada que encuentra la configuración de energía más baja mientras alcanza un aumento de 1387x en la velocidad informática. Los autores presentan el conjunto de datos Open Catalyst Dense, que tiene 87 045 configuraciones diferentes y aproximadamente 1000 superficies diferentes, para estandarizar la evaluación comparativa. Este estudio puede verse como un primer paso esencial para reducir el costo computacional de DFT para la química computacional en general, no solo para aplicaciones catalíticas.
Revisar la Papel y Proyecto. Todo el crédito de esta investigación es para los investigadores de este proyecto. Además, no olvides unirte nuestra página de Reddit y canal de discordiadonde compartimos las últimas noticias de investigación de IA, interesantes proyectos de IA y más.
Mahmoud es investigador de doctorado en aprendizaje automático. Él también tiene un
licenciatura en ciencias físicas y maestría en
sistemas de telecomunicaciones y redes. Sus áreas actuales de
la investigación se refiere a la visión por computadora, la predicción del mercado de valores y
aprendizaje. Produjo varios artículos científicos sobre la relación con la persona.
identificación y el estudio de la robustez y la estabilidad de las profundidades
redes
