Un nuevo enfoque computacional predice las reacciones químicas a altas temperaturas
El método combina la mecánica cuántica con el aprendizaje automático para predecir con precisión las reacciones del óxido a altas temperaturas cuando no se dispone de datos experimentales
La extracción de metales de los óxidos a altas temperaturas es esencial no sólo para producir metales como el acero, sino también para el reciclaje. Dado que los actuales procesos de extracción son muy intensivos en carbono y emiten grandes cantidades de gases de efecto invernadero, los investigadores han estado explorando nuevos enfoques para desarrollar procesos más "verdes". Este trabajo ha sido especialmente difícil de realizar en el laboratorio porque requiere costosos reactores. Construir y ejecutar simulaciones por ordenador sería una alternativa, pero actualmente no existe ningún método computacional que pueda predecir con exactitud las reacciones de los óxidos a altas temperaturas cuando no se dispone de datos experimentales.
Esquema del puente entre el mundo cuántico frío y la extracción de metales a alta temperatura con el aprendizaje automático.
Rodrigo Ortiz de la Morena and Jose A. Garrido Torres/Columbia Engineering
Un equipo de ingenieros de Columbia informa de que ha desarrollado una nueva técnica de cálculo que, mediante la combinación de la mecánica cuántica y el aprendizaje automático, puede predecir con precisión la temperatura de reducción de los óxidos metálicos a sus metales base. Su método es tan eficiente desde el punto de vista computacional como los cálculos convencionales a temperatura cero y, en sus pruebas, más preciso que las simulaciones computacionalmente exigentes de los efectos de la temperatura utilizando métodos de química cuántica. El estudio, dirigido por Alexander Urban, profesor adjunto de ingeniería química, se publica en Nature Communications ASAP.
"La descarbonización de la industria química es fundamental para la transición a un futuro más sostenible, pero el desarrollo de alternativas para los procesos industriales establecidos es muy costoso y requiere mucho tiempo", afirma Urban. "Un diseño de proceso computacional ascendente que no requiera una aportación experimental inicial sería una alternativa atractiva, pero hasta ahora no se ha realizado. Este nuevo estudio es, hasta donde sabemos, la primera vez que se intenta un enfoque híbrido, que combina cálculos computacionales con IA, para esta aplicación. Y es la primera demostración de que los cálculos basados en la mecánica cuántica pueden utilizarse para el diseño de procesos de alta temperatura".
Los investigadores sabían que, a temperaturas muy bajas, los cálculos basados en la mecánica cuántica pueden predecir con precisión la energía que requieren o liberan las reacciones químicas. Aumentaron esta teoría de temperatura cero con un modelo de aprendizaje automático que aprendió la dependencia de la temperatura a partir de mediciones de alta temperatura disponibles públicamente. Diseñaron su enfoque, centrado en la extracción de metal a altas temperaturas, para predecir también el cambio de la "energía libre'' con la temperatura, ya sea alta o baja.
"La energía libre es una magnitud clave de la termodinámica y, en principio, se pueden derivar de ella otras magnitudes dependientes de la temperatura", afirma José A. Garrido Torres, primer autor del artículo, que fue becario postdoctoral en el laboratorio de Urban y ahora es investigador científico en Princeton. "Así que esperamos que nuestro enfoque también sea útil para predecir, por ejemplo, las temperaturas de fusión y las solubilidades para el diseño de procesos limpios de extracción de metales electrolíticos que se alimentan de energía eléctrica renovable".
"El futuro acaba de acercarse un poco más", afirma Nick Birbilis, vicedecano de la Facultad de Ingeniería e Informática de la Universidad Nacional de Australia y experto en diseño de materiales centrado en la durabilidad de la corrosión, que no participó en el estudio. "Gran parte del esfuerzo humano y del capital invertido en el último siglo se ha dedicado al desarrollo de los materiales que utilizamos a diario y de los que dependemos para obtener energía, volar y entretenernos. El desarrollo de materiales es lento y costoso, lo que hace que el aprendizaje automático sea un desarrollo crítico para el diseño de materiales en el futuro. Para que el aprendizaje automático y la IA alcancen su potencial, los modelos deben ser mecánicamente relevantes e interpretables. Esto es precisamente lo que demuestra el trabajo de Urban y Garrido Torres. Además, el trabajo adopta por primera vez un enfoque de todo el sistema, vinculando las simulaciones atomísticas por un lado y las aplicaciones de ingeniería por otro, mediante algoritmos avanzados".
El equipo trabaja ahora en la ampliación del enfoque a otras propiedades de los materiales que dependen de la temperatura, como la solubilidad, la conductividad y la fusión, necesarias para diseñar procesos de extracción electrolítica de metales sin emisiones de carbono y alimentados por energía eléctrica limpia.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
