Los científicos utilizan inteligencia artificial para identificar nuevos materiales para capturar carbono

Este artículo ha sido revisado según Science. Proceso de edición
Y Políticas.
Editores Se destacaron las siguientes características garantizando al mismo tiempo la credibilidad del contenido:

Revisión de hechos

fuente confiable

Corrección de pruebas

Visualización científica del ensamblaje guiado por IA de una nueva estructura organometálica con alta capacidad de adsorción de CO2 y ligandos sintonizables. Los componentes básicos predichos por la IA generativa se muestran a la izquierda, mientras que la estructura final predicha por la IA se muestra a la derecha. Crédito de la imagen: Xiaoli Yan/Universidad de Illinois Chicago y equipo de visualización y análisis de datos de ALCF

× Cerca

Visualización científica del ensamblaje guiado por IA de una nueva estructura organometálica con alta capacidad de adsorción de CO2 y ligandos sintonizables. Los componentes básicos predichos por la IA generativa se muestran a la izquierda, mientras que la estructura final predicha por la IA se muestra a la derecha. Crédito de la imagen: Xiaoli Yan/Universidad de Illinois Chicago y equipo de visualización y análisis de datos de ALCF

La IA generativa, el aprendizaje automático y las técnicas de simulación brindan a los investigadores nuevas oportunidades para identificar materiales MOF respetuosos con el medio ambiente.

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. Sin embargo, aún no se ha encontrado un material adecuado para capturar carbono de forma eficaz y a bajo coste. Un candidato son las estructuras metalorgánicas o MOF. Este material poroso puede absorber selectivamente dióxido de carbono.

Los MOF contienen tres tipos de componentes básicos en sus moléculas: complejos inorgánicos, complejos orgánicos y conectores orgánicos. Se pueden disponer en diferentes posiciones relativas y configuraciones. Como resultado, existen innumerables configuraciones MOF posibles que los científicos pueden diseñar y probar.

Para acelerar el proceso de descubrimiento, los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE.UU. están siguiendo varios caminos. Una es la inteligencia artificial (IA) generativa para inspirarse en candidatos previamente desconocidos. Otra es una forma de inteligencia artificial llamada aprendizaje automático. La tercera vía es la detección de alto rendimiento de materiales candidatos. La última es la simulación basada en teoría que utiliza un método llamado dinámica molecular.

Junto a Arjun en este proyecto se encuentran 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.

Diseñar estructuras organometálicas (MOF) con capacidades y selectividad de carbono óptimas es un gran desafío. Hasta ahora, el diseño de MOF se ha basado en un minucioso trabajo experimental y computacional. Esto puede resultar costoso y llevar mucho tiempo.

Al explorar el espacio de diseño de MOF utilizando IA generativa, el equipo pudo ensamblar rápidamente, bloque por bloque, más de 120 000 nuevos candidatos de MOF en 30 minutos. Realizaron estos cálculos en la supercomputadora Polaris en Argonne Leadership Computing Facility (ALCF).

Luego recurrieron a la supercomputadora Delta de la UIUC para realizar simulaciones de dinámica molecular que requerían mucho tiempo utilizando solo los candidatos más prometedores. El objetivo es evaluar su estabilidad, propiedades químicas y capacidad para secuestrar carbono. Delta es un esfuerzo conjunto entre Illinois y su Centro Nacional de Aplicaciones de Supercomputación.

El enfoque del equipo puede eventualmente permitir a los científicos reunir a los principales candidatos para los MOF. «La gente ha estado pensando en los MOF durante al menos dos décadas», dijo Elio Huerta, científico computacional de Argonne, quien ayudó a dirigir el estudio. «Los métodos tradicionales normalmente han implicado síntesis experimental y modelado computacional con simulaciones de dinámica molecular. Pero intentar estudiar el amplio panorama del MOF de esta manera no es práctico».

Pronto habrá informática más avanzada disponible para que la utilice el equipo. Gracias al poder de la supercomputadora de exaescala Aurora de ALCF, los científicos pueden escanear miles de millones de candidatos a MOF simultáneamente, incluidos muchos elementos que nunca antes se habían propuesto.

Es más, el equipo se está inspirando químicamente en trabajos anteriores en diseño molecular para descubrir nuevas formas en las que los diferentes elementos básicos del MOF pueden encajar entre sí.

«Queríamos agregar nuevos sabores a los MOF que estábamos diseñando», dijo Huerta. «Necesitábamos nuevos ingredientes para la receta de la IA». El algoritmo del equipo puede realizar 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 considerado antes para el diseño de MOF.

Para Huerta, mirar más allá de los métodos tradicionales promete producir un material MOF transformador, uno que podría ser bueno en la captura de carbono, rentable y fácil de producir.

«Ahora conectamos IA generativa, detección de alto rendimiento, dinámica molecular y simulaciones de Monte Carlo en un flujo de trabajo autónomo», dijo Huerta. «Este flujo de trabajo implica el aprendizaje en línea utilizando investigaciones experimentales y computacionales previas para acelerar y mejorar la precisión de la IA para crear nuevos marcos metálicos».

El enfoque átomo por átomo para diseñar MOF, habilitado por la inteligencia artificial, permitirá a los científicos obtener lo que Ian Foster, científico jefe de Argonne y director de la División de Ciencia y Aprendizaje de Datos, llamó una «lente más amplia» sobre estos tipos de porosos. estructuras.

«Actualmente en proceso, para nuevos MOF ensamblados y predichos por IA, estamos incorporando conocimientos de laboratorios independientes para validar experimentalmente su capacidad de fabricación y su capacidad de captura de carbono», dijo Foster. «A medida que el modelo mejore, nuestras predicciones serán cada vez mejores».

Hyun Park, Xiaoli Yan, Ruijie Zhu, Elio Huerta, Santano Chowdhury, Donnie Cooper, Ian Foster e Imad Tajkhurshid escribieron un artículo basado en el estudio. Destacado en la edición en línea de Química de las comunicaciones.

«El estudio demuestra el gran potencial del uso de métodos basados ​​en la IA en las ciencias moleculares», afirmó Tajkhurshid de la UIUC. «Esperamos ampliar el enfoque a problemas como la simulación biomolecular y el diseño de fármacos».

«Este trabajo es un testimonio de la colaboración entre estudiantes de posgrado y científicos principiantes de varias instituciones que se unieron para trabajar en este importante proyecto de IA para la ciencia», dijo Huerta. «El futuro seguirá siendo brillante a medida que sigamos inspirando e inspirando a jóvenes científicos talentosos».

más información:
Hyun Park et al., Un marco de IA generativa basado en un modelo de difusión molecular para diseñar MOF para la captura de carbono, Química de las comunicaciones (2024). doi: 10.1038/s42004-023-01090-2

READ  Lo que revela el oído interno de Europasaurus sobre su vida

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *