El aprendizaje automático predice las capacidades térmicas de los MOF

"Nuestra investigación muestra cómo la Inteligencia Artificial (IA) puede acelerar la resolución de problemas a escala múltiple"

18.10.2022 - Suiza

Los marcos metal-orgánicos (MOF) son una clase de materiales que contienen poros de tamaño nanométrico. Estos poros confieren a los MOF áreas superficiales internas sin precedentes, lo que los hace extremadamente versátiles para una serie de aplicaciones: la separación de productos petroquímicos y gases, la imitación del ADN, la producción de hidrógeno y la eliminación de metales pesados, aniones fluorados e incluso oro del agua son sólo algunos ejemplos.

Los MOF son el centro de la investigación del profesor Berend Smit en la Escuela de Ciencias Básicas de la EPFL, donde su grupo emplea el aprendizaje automático para lograr avances en el descubrimiento, el diseño e incluso la categorización de los cada vez más numerosos MOF que actualmente inundan las bases de datos químicas.

En un nuevo estudio, Smit y sus colegas han desarrollado un modelo de aprendizaje automático que predice la capacidad térmica de los MOF. "Se trata de una termodinámica muy clásica", dice Smit. "¿Cuánta energía se necesita para calentar un material un grado? Hasta ahora, todos los cálculos de ingeniería han supuesto que todos los MOF tienen la misma capacidad térmica, por la sencilla razón de que apenas hay datos disponibles." Seyed Mohamad Moosavi, postdoctorado en el grupo de Smit, añade: "Si no hay datos, ¿cómo se puede hacer un modelo de aprendizaje automático? Parece imposible".

La respuesta es el aspecto más innovador del trabajo: un modelo de aprendizaje automático que predice cómo el entorno químico local cambia las vibraciones de cada átomo en una molécula de MOF. "Estas vibraciones pueden relacionarse con la capacidad calorífica", dice Smit. "Antes, un cálculo cuántico muy caro nos daba una sola capacidad calorífica para un solo material, pero ahora obtenemos hasta 200 puntos de datos sobre estas vibraciones. Así que, haciendo 200 costosos cálculos, tuvimos 40.000 puntos de datos para entrenar el modelo sobre cómo estas vibraciones dependen de su entorno químico".

A continuación, los investigadores probaron su modelo con datos experimentales como comprobación de la vida real. "Los resultados fueron sorprendentemente pobres", dice Smit, "hasta que nos dimos cuenta de que esos experimentos se habían hecho con MOFs que tenían disolvente en sus poros. Así que volvimos a sintetizar algunos MOF y eliminamos cuidadosamente el disolvente de síntesis -medimos su capacidad calorífica- y los resultados coincidieron muy bien con las predicciones de nuestro modelo".

"Nuestra investigación muestra cómo la Inteligencia Artificial (IA) puede acelerar la resolución de problemas a escala múltiple", dice Moosavi. La IA nos permite pensar en nuestros problemas de una forma nueva e incluso a veces abordarlos".

Para demostrar el impacto del trabajo en el mundo real, los ingenieros de la Universidad Heriot-Watt simularon el rendimiento de los MOF en una planta de captura de carbono. "Utilizamos simulaciones moleculares cuánticas, aprendizaje automático e ingeniería química en las simulaciones del proceso", dice Smit. "Los resultados mostraron que, con los valores correctos de capacidad térmica de los MOF, el coste energético global del proceso de captura de carbono puede ser mucho más bajo de lo que suponíamos en un principio. Nuestro trabajo es un verdadero esfuerzo a escala múltiple, con un enorme impacto en la viabilidad tecnoeconómica de las soluciones actualmente consideradas para hacer frente al cambio climático."

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.