Un modelo de aprendizaje automático acelera de meses a milisegundos la evaluación de catalizadores para la tecnología de descarbonización
Científicos crean un modelo computacional para identificar catalizadores de bajo coste que conviertan la biomasa en combustibles y productos químicos útiles con baja huella de carbono
La próxima vez que pase junto a granjas o praderas y estanques en una carretera rural, mire a su alrededor. Son una rica fuente de biomasa. Esto incluye maíz, soja, caña de azúcar, switchgrass, algas y otras materias vegetales. Estos materiales ricos en carbono pueden convertirse en combustibles líquidos y productos químicos con muchas aplicaciones posibles. En Estados Unidos, por ejemplo, hay suficiente biomasa para producir combustible renovable para todos los aviones.
De meses a milisegundos: Lo lento se convierte en rápido (imagen simbólica)
Computer-generated image
El nuevo modelo de aprendizaje automático acelera enormemente la evaluación de las propiedades de los catalizadores de carburo de molibdeno para la conversión de biomasa en productos útiles (ruta superior) en comparación con los métodos actuales de simulación por ordenador (ruta inferior).
Image by Argonne National Laboratory
Uno de los principales escollos actuales es la falta de catalizadores eficaces y de bajo coste necesarios para transformar la biomasa en biocombustible u otros productos útiles. Investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE.UU. (DOE) informan del desarrollo de un modelo basado en inteligencia artificial para acelerar el proceso de ingeniería de un catalizador de bajo coste basado en carburo de molibdeno.
"La biomasa es un material orgánico, es decir, está lleno de carbono", explica Rajeev Assary, jefe de grupo de la División de Ciencia de Materiales (MSD) de Argonne. "El objetivo final es transformar de forma barata ese carbono en productos útiles para la sociedad, en este caso, biocombustible y productos químicos como el plástico biodegradable. Estos productos evitan la necesidad de combustibles fósiles".
En la actualidad, los científicos pueden producir un producto similar al petróleo llamado aceite de pirólisis tratando la biomasa bruta a altas temperaturas. Pero el producto resultante tiene un contenido muy alto de oxígeno. Ese oxígeno es indeseable y, por tanto, se elimina mediante una reacción posibilitada por el uso de un catalizador de carburo de molibdeno. Pero un problema importante ha sido que la superficie de este catalizador absorbe átomos de oxígeno, que se acumulan en la superficie y degradan el rendimiento del catalizador.
Una solución propuesta consiste en añadir al carburo de molibdeno una pequeña cantidad de un nuevo elemento, como níquel o zinc. Este elemento dopante debilita la unión de los átomos de oxígeno en la superficie del catalizador, lo que evita su envenenamiento.
"El problema es encontrar la combinación adecuada de dopante y estructura superficial", explica Hieu Doan, científico adjunto de MSD. "El carburo de molibdeno tiene una estructura muy complicada. Por eso recurrimos a la supercomputación combinada con el cálculo teórico para simular el comportamiento no sólo de los átomos de la superficie que se unen al oxígeno, sino también de los átomos cercanos."
Utilizando simulaciones realizadas en el superordenador Theta de Argonne, el equipo creó una base de datos de 20.000 estructuras para las energías de enlace del oxígeno con el carburo de molibdeno dopado. Sus simulaciones tuvieron en cuenta varias docenas de elementos dopantes y más de cien posiciones posibles para cada dopante en la superficie del catalizador. Theta forma parte de la Argonne Leadership Computing Facility, una instalación de la Oficina de Ciencia del DOE.
A continuación, utilizaron esta base de datos para entrenar un modelo de aprendizaje profundo. El aprendizaje profundo es una forma de aprendizaje automático en la que el ordenador aprende a resolver problemas analizando primero un gran conjunto de datos de muestra. "En lugar de estar limitados a evaluar unos pocos miles de estructuras catalíticas durante meses con métodos computacionales convencionales, con nuestro modelo de aprendizaje profundo ahora podemos hacer cálculos precisos y económicos para decenas de miles de estructuras en milisegundos", dijo Doan. "Es un cribado de materiales con esteroides".
El equipo envió los resultados de sus simulaciones a escala atómica y su modelo de aprendizaje profundo al Consorcio de Catálisis Química para Bioenergía. Realizarán experimentos para evaluar un pequeño conjunto de catalizadores candidatos.
"En un futuro próximo, esperamos manejar más de un millón de estructuras y diferentes átomos de unión, como el hidrógeno", señaló Assary. "También queremos aplicar este mismo enfoque computacional a catalizadores para otras tecnologías de descarbonización, como la conversión de agua en combustible de hidrógeno limpio".
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
![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.
