Saat ini para peneliti sedang berupaya untuk semakin meningkatkan ketergantungan kita pada sumber energi terbarukan (renewable energy).
Contohnya, energi terbarukan dari angin dan matahari akan mampu menghasilkan daya listrik yang tak terputus-putus.
Permasalahannya terletak di metode penyimpanan energi yang diperlukan untuk mentransfer daya. Terutama pada saat dicapai puncak produksi agar bisa dipakai untuk memenuhi seluruh permintaan daya.
Kondisi puncak dari sisi produksi daya listik ini dan sisi permintaan puncaknya seringnya tidak tiba pada yang saat yang bersamaan. Disitulah diperlukannya metode penyimpanan energi.
Proses penyimpanan daya dalam skala besar untuk memenuhi kebutuhan suatu wilayah akan membutuhkan waktu yang lama, bisa berjam-jam, berhari-hari, atau berbulan-bulan.
Solusi yang terukur dan hemat biaya untuk penyimpanan energi terbarukan sangat penting untuk mengatasi peningkatan kebutuhan energi dunia dan sekaligus mengurangi dampak dari perubahan iklim.
Salah satu solusinya berupa konversi energi terbarukan ke bahan bakar lain, seperti hidrogen.
Namun agar metode tersebut bisa diadopsi secara luas, proses konversi ini membutuhkan solusi hemat biaya untuk menjalankan reaksi kimianya.
Karena itu tantangan terpenting yang dihadapi para peneliti berupa upaya untuk menemukan katalis berbiaya rendah yang akan mempu mendorong reaksi kimia ini dengan kecepatan tinggi.
Salah satu caranya telah ditempuh melalui penggunaan simulasi mekanika kuantum untuk Density Function Theorem (DFT) yang bisa digunakan mengevaluasi struktur katalis baru.
Hanya saja biaya komputasi yang tinggi dari simulasi ini akan membatasi jumlah struktur yang dapat diuji.
Disinilah peranan penggunaan algoritma pembelajaran mesin yang akan mampu memberikan metode alternatif untuk memperkirakan perhitungan ini secara efisien.
Penggunaan algoritma pembelajaran ini akan mengarahkan tim peniliti ke pendekatan baru di dalam menemukan katalis yang efektif.
Untuk itu dibentuklah kerjasama bernama Open Catalyst Project oleh tim peneliti dari Facebook AI Research (FAIR) dan Department of Chemical Engineering di Carnegie Mellon University (CMU).
Projek ini akan menggunakan algoritma pembelajaran mesin agar diperoleh model yang akan mampu menemukan katalis baru untuk digunakan di dalam reaksi kimia selama proses penyimpanan energi terbarukan berlangsung.
Agar komunitas riset yang lebih luas dapat berpartisipasi dalam proyek penting ini, projek itu telah merilis kumpulan data katalis untuk melatih model algoritma pembelajaran mesin; dataset tersebut berupa 1,2 juta relaksasi molekuler yang dihasilkan dari 250 juta perhitungan DFT.
Dataset ini bisa digunakan oleh siapa saja yang akan melakulan penelitian dengan menggunakan algoritma pembelajaran untuk menemukan katalis dalam reaksi kimia selama proses penyimpanan energi terbarukan berlangsung.
Dari ulasan ini telah diperagakan data science sebagai paradigma keempat dari science:
- Emperimen (Kimia)
- Teori (Mekanika kuantum)
- Komputasi (Simulasi)
- Data science.
Secara umum, data science dengan algoritma pembelajaran dibutuhkan tatkala tiga yang pertama (eksperimen, teori dan komputasi) telah menghasilkan big data yang demikian besar sehingga ia tidak cocok untuk dianalisis dengan cara biasa.
Keahlihaan seseorang di bidang data science yang dilengkapi dengan domain knowledge yang sepadan akan memungkinkan data tersebut bisa digunakan untuk penelitian yang hasilnya bisa dimanfaatkan untuk mengatasi berbagai masalah.
Referensi:
https://opencatalystproject.org/
A Simple Notebook 