El desarrollo, disponible en GitHub, está preparado para acelerar los avances en la ciencia de los materiales, haciendo que la exploración de reacciones químicas sea más accesible y eficiente. Esto podría conducir a descubrimientos científicos e innovaciones tecnológicas más rápidos.

En las reacciones químicas, las sustancias se transforman de un estado energéticamente estable a otro, pasando por un estado de transición inestable. Este proceso es similar a encontrar la ruta de menor elevación sobre una montaña al cruzar de un lado al otro. Comprender el estado de transición (la cima de este camino metafórico de montaña) es crucial para una comprensión profunda de los mecanismos de reacción.

Sin embargo, debido a la naturaleza transitoria e inestable de estos estados, su observación e identificación experimentales son un desafío y a menudo requieren exploración computacional.

Este estudio se centra en métodos computacionales para encontrar un estado de transición entre un reactivo conocido y un producto. Este tipo de búsqueda del estado de transición optimiza la ruta que conecta el producto y el reactivo para que pase por el estado de transición. Dado que la ruta generalmente está representada por múltiples puntos en la ruta (a menudo llamados imágenes), la ruta en realidad se optimiza actualizando incrementalmente las imágenes.

El método más utilizado hoy en día es el método de banda elástica empujada (NEB). Uno de los principales desafíos de este método es que es computacionalmente costoso. Existen dos motivos principales para esto. Una es que requiere una gran cantidad de imágenes para aumentar la resolución de la búsqueda. La otra razón es que el principio de búsqueda no es variacional (es decir, minimiza una función objetivo), por lo que el número de actualizaciones por imagen también tiende a ser grande.

El método recientemente implementado en este estudio resuelve estos problemas de manera innovadora. En primer lugar, el número de imágenes se puede reducir a aproximadamente 3, ya que sólo se busca intensamente la región alrededor del estado de transición. Además, el principio de búsqueda es variacional, por lo que se puede resolver de forma más eficaz. Específicamente, la función objetivo se define como la integral de línea del exponencial de la energía a lo largo del camino.

Se evaluó el rendimiento del nuevo método en 121 reacciones químicas y los resultados se compararon con el método NEB y su versión mejorada. En primer lugar, el presente método identificó correctamente los estados de transición en el 98% de los casos. Esta precisión es mucho mayor que la del método NEB y comparable a la versión mejorada. En segundo lugar, el método actual mostró una reducción significativa en el costo computacional total:aproximadamente un 70 % menos que el método NEB y un 50 % menos que su versión mejorada.

Para facilitar una aplicación más amplia, los investigadores han puesto su programa computacional a disposición en GitHub. Escrito en Python y diseñado para usarse con el entorno de simulación atómica (ASE), permite a los investigadores explorar fácilmente los estados de transición especificando reactivos y productos.

De cara al futuro, las implicaciones de esta investigación son enormes. Al hacer que las búsquedas de estados de transición sean más fáciles y rápidas, el método está preparado para acelerar la investigación y el desarrollo en todos los campos de las ciencias naturales utilizando la química computacional.

La investigación se publica en el Journal of Chemical Theory and Computation .