Científicos de Argonne utilizan la IA para identificar nuevos materiales para la captura de carbono
Los materiales de estructura metálica-orgánica (MOF) pueden utilizarse en muchas aplicaciones diferentes, desde catalizadores a convertidores de energía
Las técnicas de IA generativa, el aprendizaje automático y las simulaciones brindan a los investigadores nuevas oportunidades para identificar materiales de estructura metalorgánica respetuosos con el medio ambiente.
Visualización científica del ensamblaje guiado por IA de una nueva estructura orgánica metálica con gran capacidad de adsorción de dióxido de carbono y enlazadores sintetizables. Los bloques de construcción, predichos por la IA generativa, se muestran a la izquierda, mientras que la estructura final predicha por la IA se muestra a la derecha.
Image by Xiaoli Yan/University of Illinois Chicago and the ALCF Visualization & Data Analytics Team
La captura de carbono es una tecnología fundamental para reducir las emisiones de gases de efecto invernadero de las centrales eléctricas y otras instalaciones industriales. Pero aún no se ha encontrado un material adecuado para la captura eficaz de carbono a bajo coste. Uno de los candidatos son los marcos metalorgánicos o MOF. Este material poroso puede absorber dióxido de carbono de forma selectiva.
Los MOF tienen tres tipos de componentes en sus moléculas: nodos inorgánicos, nodos orgánicos y enlaces orgánicos. Éstos pueden disponerse en diferentes posiciones y configuraciones relativas. Como resultado, existen innumerables configuraciones potenciales de MOF que los científicos pueden diseñar y probar.
Para acelerar el proceso de descubrimiento, los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de Estados Unidos (DOE) están siguiendo varias vías. Uno de ellos es la inteligencia artificial (IA) generativa para soñar con candidatos a bloques de construcción desconocidos hasta ahora. Otra es una forma de IA denominada aprendizaje automático. Una tercera vía es el cribado de alto rendimiento de los materiales candidatos. Y la última son las simulaciones teóricas mediante un método llamado dinámica molecular.
Junto con Argonne, participan en este proyecto investigadores del Instituto Beckman de Ciencia y Tecnología Avanzadas de la Universidad de Illinois Urbana-Champaign (UIUC), la Universidad de Illinois en Chicago y la Universidad de Chicago.
El diseño de MOF con una selectividad y capacidad de carbono óptimas constituye un reto importante. Hasta ahora, el diseño de MOF se ha basado en un minucioso trabajo experimental y computacional. Esto puede ser costoso y llevar mucho tiempo.
Explorando el espacio de diseño de MOF con IA generativa, el equipo fue capaz de ensamblar rápidamente, bloque por bloque, más de 120.000 nuevos MOF candidatos en 30 minutos. Realizaron estos cálculos en el superordenador Polaris de la Argonne Leadership Computing Facility (ALCF). La ALCF es una instalación de la Oficina de Ciencia del DOE.
A continuación, recurrieron al superordenador Delta de la UIUC para realizar simulaciones de dinámica molecular de larga duración, utilizando únicamente los candidatos más prometedores. El objetivo es comprobar su estabilidad, propiedades químicas y capacidad de captura de carbono. Delta es un proyecto conjunto de Illinois y su Centro Nacional de Aplicaciones de Supercomputación.
El método del equipo podría permitir a los científicos sintetizar sólo los mejores MOF. Se lleva pensando en los MOF desde hace al menos dos décadas", explica Eliu Huerta, científico de Argonne que ha colaborado en la dirección del estudio. Los métodos tradicionales han consistido en la síntesis experimental y el modelado computacional con simulaciones de dinámica molecular. Pero intentar estudiar el vasto panorama de los MOF de esta manera es poco práctico".
El equipo pronto dispondrá de medios informáticos aún más avanzados. Con la potencia del superordenador a exaescala Aurora del ALCF, los científicos podrían estudiar miles de millones de candidatos a MOF a la vez, incluidos muchos que nunca antes se habían propuesto.
Además, el equipo se inspira en trabajos anteriores sobre diseño molecular para descubrir nuevas formas de combinar los distintos componentes de un MOF.
"Queríamos añadir nuevos sabores a los MOF que estábamos diseñando", explica Huerta. Necesitábamos nuevos ingredientes para la receta de la IA". El algoritmo del equipo puede introducir mejoras en los MOF para la captura de carbono aprendiendo química a partir de conjuntos de datos experimentales de biofísica, fisiología y química física que no se habían tenido en cuenta antes para el diseño de MOF.
Para Huerta, ir más allá de los enfoques tradicionales encierra la promesa de un material MOF transformador, que podría ser bueno para la captura de carbono, rentable y fácil de producir.
"Ahora estamos conectando la IA generativa, el cribado de alto rendimiento, la dinámica molecular y las simulaciones Monte Carlo en un flujo de trabajo independiente", explica Huerta. "Este flujo de trabajo incorpora el aprendizaje en línea utilizando investigaciones experimentales y computacionales anteriores para acelerar y mejorar la precisión de la IA para crear nuevos MOF".
El enfoque átomo por átomo para el diseño de MOF habilitado por la IA permitirá a los científicos tener lo que el científico senior de Argonne y director de la división de Ciencia de Datos y Aprendizaje, Ian Foster, llamó una "lente más amplia" en este tipo de estructuras porosas. "Se está trabajando para que, en el caso de los nuevos MOF ensamblados por IA que se están prediciendo, incorporemos conocimientos de laboratorios autónomos para validar experimentalmente su capacidad de síntesis y su capacidad para capturar carbono", dijo Foster. "Con el modelo afinado, nuestras predicciones serán cada vez mejores".
"El estudio demuestra el gran potencial del uso de enfoques basados en la IA en las ciencias moleculares", afirmó Tajkhorshid, de la UIUC. "Esperamos ampliar el alcance del enfoque a problemas como las simulaciones biomoleculares y el diseño de fármacos".
"Este trabajo es un testimonio de la colaboración entre estudiantes de posgrado y científicos en sus primeras carreras de diferentes instituciones que se unieron para trabajar en este importante proyecto de IA para la ciencia", dijo Huerta. "El futuro seguirá siendo brillante mientras sigamos inspirando y dejándonos inspirar por jóvenes científicos con talento".
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
Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu A. Huerta, Santanu Chaudhuri, Donny Cooper, Ian Foster, Emad Tajkhorshid; "A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture"; Communications Chemistry, Volume 7, 2024-2-14
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.
