Open Catalyst 2022 (OC22) 数据集与氧化物电催化剂挑战
材料科学
2023-03-09 v3 机器学习
计算物理
摘要
开发用于电催化剂的机器学习模型需要广泛的训练数据，以使其能应用于各种材料。目前缺乏足够训练数据的一类材料是氧化物，而氧化物对于开发析氧反应 (OER) 催化剂至关重要。为解决此问题，我们开发了 OC22 数据集，该数据集包含 62,331 个 DFT 弛豫计算（约 9,854,504 个单点计算），涵盖了一系列氧化物材料、覆盖度和吸附物。我们定义了广义总能量任务，使属性预测能超越吸附能；我们测试了几种图神经网络的基线性能；并提供了预定义的数据集划分，为未来的工作建立清晰的基准。在最通用的任务中，通过微调结合化学性质不同的 OC20 和 OC22 数据集，GemNet-OC 在能量预测上取得了约 36% 的改进。类似地，使用联合训练时，我们在 OC20 的总能量预测上取得了约 19% 的改进，在 OC22 的力预测上取得了约 9% 的改进。我们通过捕获文献中的吸附能和重要的 OER 标度关系，展示了表现最佳模型的实用性。我们期望 OC22 能为那些寻求在氧化物表面中纳入复杂的远程静电和磁相互作用的模型提供一个重要的基准。数据集和基线模型均已开源，并提供了一个公开排行榜，以鼓励社区在总能量任务和数据上持续发展。
引用
@article{arxiv.2206.08917,
title = {The Open Catalyst 2022 (OC22) Dataset and Challenges for Oxide Electrocatalysts},
author = {Richard Tran and Janice Lan and Muhammed Shuaibi and Brandon M. Wood and Siddharth Goyal and Abhishek Das and Javier Heras-Domingo and Adeesh Kolluru and Ammar Rizvi and Nima Shoghi and Anuroop Sriram and Felix Therrien and Jehad Abed and Oleksandr Voznyy and Edward H. Sargent and Zachary Ulissi and C. Lawrence Zitnick},
journal= {arXiv preprint arXiv:2206.08917},
year = {2023}
}
备注
50 pages, 14 figures