刚刚Meta 宣布推出 ODAC23 （OpenDAC 2023）数据集和相关的机器学习模型，旨在加速发现适用于直接从空气捕捉二氧化碳技术的吸附材料
OpenDAC
OpenDAC项目是Meta基础人工智能研究中心（FAIR）和佐治亚理工学院之间的合作研究项目，旨在显着降低直接空气捕获（DAC）的成本
Meta在arxiv在线发表了论文对项目进行了详细说明
地址：https://arxiv.org/abs/2311.00341
OpenDAC概述
直接空气捕获（DAC）涉及直接从大气中捕获二氧化碳，已被广泛认为是应对气候变化的重要工具。尽管具有潜力，但 DAC 的广泛实施却因捕获成本高而受到阻碍。克服这一障碍的核心是发现新型吸附剂——从空气中吸收二氧化碳的材料。发现新的吸附剂是降低捕集成本和扩大 DAC 规模以显着影响全球碳排放的关键
随着许多公司进入该领域，DAC 领域正在快速增长。为了吸引更广泛的研究社区以及新兴的 DAC 行业，Meta发布了 OpenDAC 2023 (ODAC23) 数据集来训练 人工智能 模型。 ODAC23 包含了近 4000 万个 DFT （密度泛函理论）计算结果，来自 17 万次 DFT 弛豫计算，涉及金属有机框架 (MOF) 材料对二氧化碳和水的吸附。Meta还发布了基于此数据集训练的基准机器学习模型
ODAC23 四个关键
研究人员利用这个大规模数据集训练了多个人工智能模型,以预测MOF材料与CO2和H2O分子的相互作用。这些人工智能模型在预测分子吸附能量和势场方面的准确性,明显优于经典力场方法。人工智能技术在该领域的应用有望推动MOF等新型材料的高通量计算筛选,从而加速开发针对二氧化碳捕获的新一代分子吸附剂
这张图片展示了 ODAC23 数据集的四个关键方面：
1. 材料 (Materials): 图片展示了三种 MOF 结构，它们代表了数据集中多样化的金属有机框架材料。 这些材料是直接空气捕捉技术的关键，因为它们的孔隙可以捕获 CO2 分子。
2. 吸附物 (Adsorbates): 图片中显示了 CO2 和 H2O 分子，它们是数据集中的两种主要吸附物。 了解这些分子在 MOF 材料上的吸附行为对于评估材料在 DAC 应用中的性能至关重要。
3. 任务 (Tasks): 图片列出了三种机器学习任务：
S2EF (Structure to Energy and Forces): 将 MOF 结构作为输入，预测系统的总能量和每个原子的受力。
IS2RE (Initial Structure to Relaxed Energy): 将初始 MOF 结构作为输入，预测其弛豫结构的能量。
IS2RS (Initial Structure to Relaxed Structure): 将初始 MOF 结构作为输入，预测其弛豫结构的原子位置。
这些任务旨在训练机器学习模型，以高效地预测 MOF 材料的吸附性质，而无需进行昂贵的 DFT 计算。
4. 潜在应用 (Potential Applications): 图片中展示了直接空气捕捉 (DAC) 技术，这是 ODAC23 数据集的主要应用领域。 该数据集可以用于筛选和设计高效的 MOF 材料，用于从大气中捕获 CO2，从而减缓气候变化。
结语
这是Meta又一个开源成果，研究人员利用机器学习（ML）领域的最新创新，构建了一个名为Open DAC 2023（ODAC23）的数据集。该数据集包含了超过3800万个密度泛函理论（DFT）计算结果，涉及超过8400种MOF材料，并探究了吸附CO2和/或H2O后的性质。ODAC23是目前可用的最大规模、最高精度的MOF吸附计算数据集。除了探究吸附分子的性质外，该数据集还提供了丰富的MOF结构弛豫信息，这将有助于更广泛的应用
数据下载：
https://github.com/Open-Catalyst-Project/ocp/blob/main/DATASET.md#open-direct-air-capture-2023-odac23
模型：
https://github.com/Open-Catalyst-Project/ocp/blob/main/MODELS.md#open-direct-air-capture-2023-odac23
项目github：
https://github.com/Open-Catalyst-Project/ocp/
⭐星标AI寒武纪，好内容不错过⭐
用你的赞和在看告诉我～
AI捕获二氧化碳