Open Catalyst 2020 (OC20) Dataset and Community Challenges

Motivation

• Known: 촉매 발견에 머신러닝 응용이 증가하고 있으나, 기존 촉매 관련 데이터셋은 다른 분야에 비해 훨씬 소규모(O(100)에서 O(100,000) 수준)로 모델의 일반화 성능이 제한적임.
• Gap: 이종촉매(heterogeneous catalysis)의 표면 조성과 흡착분자(adsorbate) 종류에 걸친 일반화 가능한 머신러닝 모델 개발을 위해서는 훨씬 더 큰 규모의 다양한 데이터셋이 필요함.
• Why: 태양연료 합성, 장기 에너지 저장, 재생 가능한 비료 생산 등 사회적·에너지 문제 해결의 핵심인 촉매 최적화를 가속화하기 위해 DFT 계산을 대체할 효율적인 머신러닝 모델이 절실함.
• Approach: Materials Project의 안정적 재료로부터 1.28백만 개의 DFT 구조 이완(relaxation) 계산을 수행하고, 구조 교란(perturbation), 분자동역학(MD), 전자구조 분석을 포함한 포괄적 데이터셋을 구축하여 그래프 신경망(GNN) 기반 3개 과제로 구성된 공개 챌린지 제시.

Achievement

Figure 1: Adsorbates, materials, calculations,

• 대규모 통합 데이터셋: 55개 원소 표면, 82개 흡착분자 종류, 264.89백만 개 단일점 계산을 포함한 OC20 데이터셋 공개
• 다중 도메인 과제 설계: S2EF(구조→에너지·힘 예측), IS2RS(초기상태→이완상태 예측), IS2RE(초기상태→이완에너지 예측) 3개 과제 정의
• 기준선 모델 제공: CGCNN, SchNet, DimeNet++ 3개 그래프신경망 모델로 기준선 성능 제시
• 공개 인프라 구축: 학습/검증/시험 분할, 오픈소스 저장소, 공개 리더보드로 커뮤니티 참여 활성화

How

Figure 2: The adsorbates used to generate the Open Catalyst Dataset contain oxygen, hydrogen, C1,

• Materials Project에서 안정적 물질 선정 후 저지수(low-Miller-index) 면에 대해 DFT 이완 계산 수행
• 각 계산에서 이완 궤적(trajectory), Bader 전하, LOBSTER 궤도 정보 수집
• 무작위 구조 교란(rattling)을 통한 추가 단일점 계산 수행
• 이완된 상태의 부분집합에 대해 고온 ab initio 분자동역학(MD) 시뮬레이션 실행
• 촉매 모델링의 일일 업무를 대표하는 3개 과제별 train/validation/test 분할

Originality

• 촉매 분야에서 백만 단위 DFT 계산 데이터셋으로는 사상 최대 규모
• 단순 이완 에너지를 넘어 궤적, 전자구조, 동역학 정보를 통합한 포괄적 데이터 제공
• 미지의 흡착분자, 미지의 표면, 양쪽 모두 미지인 경우를 구분하는 과학적으로 의미 있는 분할 전략
• 공개 리더보드 기반 커뮤니티 챌린지로 모델 개발 가속화

Limitation & Further Study

• 단일 흡착분자만 고려하는 단순화된 모델로, 다중 흡착분자 상호작용, 용매효과, 반응 조건 등 현실의 복잡성 미포함
• 이상화된 주기적 슬래브 구조로 모델 가장자리 효과 및 결함 없음
• 82개 흡착분자와 55개 원소 조합도 전체 화학공간의 극히 일부에 불과
• 향후 다중 흡착분자, 동적 조건, 용매 포함 등으로 데이터셋 확장 및 현실성 증대 필요

Evaluation

총평: 촉매 머신러닝 분야에서 획기적인 대규모 데이터셋을 제공하고 명확한 벤치마크 과제와 공개 인프라를 제시하여 커뮤니티 기반 모델 개발을 촉진하는 핵심 기여이나, 단순화된 모델 가정이 실제 촉매 응용으로의 전이 시 한계가 있을 수 있음.