Las técnicas de IA generativa, el aprendizaje automático y las simulaciones brindan a los investigadores nuevas oportunidades para identificar materiales de estructura organometálicos 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 la captura eficaz de carbono a bajo coste. Un candidato son las estructuras metalorgánicas o MOF. Este material poroso puede absorber selectivamente dióxido de carbono.
Los MOF tienen tres tipos de componentes básicos en sus moléculas:nodos inorgánicos, nodos orgánicos y conectores orgánicos. Estos pueden disponerse en diferentes posiciones y configuraciones relativas. Como resultado, existen innumerables configuraciones MOF potenciales que los científicos pueden diseñar y probar.
Para acelerar el proceso de descubrimiento, investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) están siguiendo varios caminos. Uno es la inteligencia artificial generativa (IA) para idear candidatos a componentes básicos previamente desconocidos. Otra es una forma de IA llamada aprendizaje automático. Una tercera vía es una selección de alto rendimiento de materiales candidatos. El último son simulaciones basadas en teoría que utilizan un método llamado dinámica molecular.
Junto a Argonne 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 MOF con selectividad y capacidad de carbono óptimas es un desafío importante. 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 con 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 llevar a cabo simulaciones de dinámica molecular que requieren mucho tiempo utilizando solo los candidatos más prometedores. El objetivo es evaluar su estabilidad, propiedades químicas y capacidad de captura de carbono. Delta es un esfuerzo conjunto de Illinois y su Centro Nacional de Aplicaciones de Supercomputación.
El enfoque del equipo podría, en última instancia, permitir a los científicos sintetizar sólo los mejores contendientes de MOF. "La gente ha estado pensando en los MOF durante al menos dos décadas", dijo el científico computacional de Argonne, Eliu Huerta, 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 vasto paisaje MOF de esta manera es simplemente poco práctico".
Pronto el equipo podrá utilizar informática aún más avanzada. Con el poder de la supercomputadora de 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.
Es más, el equipo se está inspirando químicamente en trabajos anteriores sobre diseño molecular para descubrir nuevas formas en las que los diferentes componentes básicos de un MOF podrían 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 han considerado antes para el diseño de MOF.
Para Huerta, mirar más allá de los enfoques tradicionales encierra la promesa de un material MOF transformador, uno que podría ser bueno en la captura de carbono, rentable y fácil de producir.
"Ahora estamos conectando IA generativa, detección de alto rendimiento, dinámica molecular y simulaciones de Monte Carlo en un flujo de trabajo independiente", dijo 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" sobre este tipo de estructuras porosas.
"Se está trabajando para que, para 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 de capturar carbono", dijo Foster. "Con el modelo ajustado, nuestras predicciones serán cada vez mejores".
Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster y Emad Tajkhorshid escribieron un artículo basado en el estudio. Apareció en la edición en línea de Communications Chemistry. .
"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 principiantes de diferentes 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 y siendo inspirados por jóvenes científicos talentosos".
Más información: Hyun Park et al, Un marco de inteligencia artificial generativo basado en un modelo de difusión molecular para el diseño de marcos organometálicos para la captura de carbono, Química de las Comunicaciones (2024). DOI:10.1038/s42004-023-01090-2
Proporcionado por el Laboratorio Nacional Argonne
