开发可泛化的大规模机器学习模型用于催化剂发现中的开放挑战
化学物理
2022-06-15 v2 材料科学
摘要
用于催化剂发现的机器学习势的开发主要集中于非常特定的化学体系和材料组成。虽然在已有材料之间插值时有效，这些方法难以跨化学空间泛化。近期大规模催化剂数据集的整理为构建涵盖化学与组成空间的通用机器学习势提供了机会。若得以实现，该势可在多种应用（CO2还原、NH3生产等）中加速催化剂发现过程，而无需当前所需的额外专门训练工作。Open Catalyst 2020（OC20）的发布已开启这一进程，推动多相催化与机器学习界构建更准确、更鲁棒的模型。在本展望中，我们讨论基于OC20近期发展的一些挑战与发现。我们考察当前模型在不同材料与吸附质上的表现，以识别明显表现不佳的子集。随后我们讨论围绕能量守恒的一些建模工作、寻找与评估局部极小的方法，以及非平衡数据的增广。为补充学界正在进行的发展，我们以展望一些尚未被深入探索的大规模催化剂发现重要挑战作结。
引用
@article{arxiv.2206.02005,
title = {Open Challenges in Developing Generalizable Large Scale Machine Learning Models for Catalyst Discovery},
author = {Adeesh Kolluru and Muhammed Shuaibi and Aini Palizhati and Nima Shoghi and Abhishek Das and Brandon Wood and C. Lawrence Zitnick and John R Kitchin and Zachary W Ulissi},
journal= {arXiv preprint arXiv:2206.02005},
year = {2022}
}
备注
submitted to ACS Catalysis