Armazón organometálico cristalino. Crédito:David Fairen-Jimenez
El aprendizaje automático se puede utilizar para predecir las propiedades de un grupo de materiales que, segun algunos, podría ser tan importante para el siglo XXI como los plásticos para el XX.
Los investigadores han utilizado técnicas de aprendizaje automático para predecir con precisión las propiedades mecánicas de los marcos organometálicos (MOF), que podría usarse para extraer agua del aire en el desierto, Almacenar gases peligrosos o impulsar automóviles a base de hidrógeno.
Los investigadores, dirigido por la Universidad de Cambridge, utilizó su algoritmo de aprendizaje automático para predecir las propiedades de más de 3000 MOF existentes, así como MOF que aún no se han sintetizado en el laboratorio.
Los resultados, publicado en la edición inaugural de la revista Cell Press Importar , podría utilizarse para acelerar significativamente la forma en que se caracterizan y diseñan los materiales a escala molecular.
Los MOF son compuestos tridimensionales autoensamblados hechos de átomos metálicos y orgánicos conectados entre sí. Como plásticos, son muy versátiles, y se puede personalizar en millones de combinaciones diferentes. A diferencia de los plásticos, que se basan en largas cadenas de polímeros que crecen en una sola dirección, Los MOF tienen estructuras cristalinas ordenadas que crecen en todas direcciones.
Esta estructura cristalina significa que los MOF se pueden hacer como bloques de construcción:los átomos o moléculas individuales se pueden cambiar dentro o fuera de la estructura, un nivel de precisión imposible de conseguir con plásticos.
Crédito:Sarah Collins
Las estructuras son muy porosas con un área de superficie enorme:un MOF del tamaño de un terrón de azúcar extendido cubriría un área del tamaño de seis campos de fútbol. Sin embargo, tal vez de forma algo contraria a la intuición, Los MOF son dispositivos de almacenamiento muy eficaces. Los poros en cualquier MOF dado se pueden personalizar para formar un bolsillo de almacenamiento de forma perfecta para diferentes moléculas, simplemente cambiando los bloques de construcción.
"El hecho de que los MOF sean tan porosos los hace muy adaptables para todo tipo de aplicaciones diferentes, pero al mismo tiempo su naturaleza porosa los hace muy frágiles, "dijo el Dr. David Fairen-Jimenez del Departamento de Ingeniería Química y Biotecnología de Cambridge, quien dirigió la investigación.
Los MOF se sintetizan en forma de polvo, pero para que sea de utilidad práctica, el polvo se pone a presión y se le da forma más grande, pellets en forma. Debido a su porosidad, muchos MOF se trituran en este proceso, perdiendo tiempo y dinero.
Para abordar este problema, Fairen-Jimenez y sus colaboradores de Bélgica y EE. UU. Desarrollaron un algoritmo de aprendizaje automático para predecir las propiedades mecánicas de miles de MOF. de modo que solo se fabriquen aquellos con la estabilidad mecánica necesaria.
Los investigadores utilizaron un enfoque computacional de varios niveles para construir un mapa interactivo del panorama estructural y mecánico de los MOF. Primero, utilizaron simulaciones moleculares de alto rendimiento para 3, 385 MOF. En segundo lugar, desarrollaron un algoritmo de aprendizaje automático disponible de forma gratuita para predecir automáticamente las propiedades mecánicas de los MOF existentes y aún por sintetizar.
"Ahora podemos explicar el paisaje para todos los materiales al mismo tiempo, "dijo Fairen-Jiménez." De esta manera, podemos predecir cuál sería el mejor material para una tarea determinada ".
Los investigadores han lanzado un sitio web interactivo donde los científicos pueden diseñar y predecir el desempeño de sus propios MOF. Fairen-Jimenez dice que la herramienta ayudará a cerrar la brecha entre los experimentadores y los computacionalistas que trabajan en esta área. "Permite a los investigadores acceder a las herramientas que necesitan para trabajar con estos materiales:simplifica las preguntas que necesitan hacer, " él dijo.