¿Cómo se juega al Tetris de Catálisis?
La forma en que las moléculas que intervienen en una reacción química se adhieren a la superficie de un catalizador es la clave para mejorar su rendimiento. Investigadores del Instituto Fritz Haber y de la Universidad danesa de Aarhus han desarrollado ahora un algoritmo de aprendizaje automático que puede predecir esta propiedad para moléculas complejas que pueden adherirse a la superficie en diferentes motivos.
Bild von Tobias Kozlowski auf Pixabay
¿Te gusta jugar al Tetris? Especialmente en los niveles superiores, cuando hay que empujar las piezas de forma intrincada en el mejor lugar muy rápidamente... En cierto modo, los científicos que se dedican a la investigación de la catálisis computacional suelen tener que dominar una tarea similar. Una de las variables principales que calculan regularmente con un sofisticado software de simulación mecánica cuántica es la fuerza con la que una molécula se une a la superficie de un posible material catalizador. La relevancia de esta información ya fue descubierta hace unos cien años por el Premio Nobel Paul Sabatier: Si el enlace es demasiado débil, la molécula no se activa lo suficiente como para ser convertida eficazmente en la reacción catalítica. Si el enlace es demasiado fuerte, ya no participa en la reacción, sino que simplemente bloquea la superficie del catalizador.
Los cálculos de mecánica cuántica pueden proporcionar esta importante información con gran precisión, y cada vez se utiliza más para una evaluación inicial de la idoneidad de un nuevo material catalizador antes de que el material se sintetice incluso en un entorno de laboratorio del mundo real que requiere mucho trabajo. Por desgracia, los cálculos requieren superordenadores y, al igual que en el Tetris, hay diferentes posiciones en la superficie donde la molécula podría adherirse. Probando todas las posiciones, cada una con su propio cálculo, los científicos determinan dónde encaja mejor la molécula. Las moléculas más grandes y complicadas también pueden unirse a las posiciones de diferentes maneras y orientaciones, de nuevo, como una pieza de forma complicada en el Tetris. Teniendo en cuenta que decenas de moléculas intervienen en importantes reacciones catalíticas como la de Fischer-Tropsch para producir combustibles sintéticos, simplemente se tarda demasiado en realizar el enorme número total de cálculos necesarios. Se acabó el juego.
Los jugadores experimentados de Tetris desarrollan una sensación de dónde empujar mejor las piezas. "Los algoritmos de aprendizaje automático funcionan igual", explica Wenbin Xu, estudiante de doctorado del Instituto Fritz Haber. Tras ser entrenados con los resultados de cálculos anteriores para moléculas y superficies de catalizadores similares, estos algoritmos pueden hacer predicciones fiables sobre la unión sin necesidad de más tiempo de supercomputadora y mucho, mucho más rápido. No es de extrañar que el desarrollo de algoritmos adecuados sea un tema candente. Sin embargo, hasta ahora los algoritmos no han sido capaces de lidiar adecuadamente con moléculas más complicadas. Sólo pudieron predecir la unión de pequeñas moléculas que podían unirse a la superficie en una sola orientación obvia, como una simple pieza cuadrada de Tetris. "La información que faltaba para los algoritmos era el enlace dentro de la molécula: qué átomo se une a qué...", describe la profesora Mie Andersen, de la Universidad de Aarhus. Utilizando la teoría matemática de los grafos, el equipo de investigación ha encontrado ahora una forma de incorporar esta información de forma adecuada. Su nuevo algoritmo de aprendizaje automático, publicado en Nature Computational Science, ya proporciona información precisa sobre la unión de moléculas de mayor tamaño que intervienen en el proceso Fischer-Tropsch y otras reacciones de generación de combustible. Los investigadores de la catálisis tienen ahora un poderoso jugador de Tetris a su lado.
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 Alemán se puede encontrar aquí.
Publicación original
"Predicting binding motifs of complex adsorbates using machine learning with a physics-inspired graph representation."; Nature Computational Science 2, 443 (2022)
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
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.
