Una estrategia computacional para encontrar nuevas estructuras optimizadas para baterías orgánicas de flujo redox. Crédito:Sowndarya S. V. et al.
Los avances recientes en el desarrollo de técnicas de optimización y aprendizaje automático han abierto nuevas y emocionantes posibilidades para identificar diseños moleculares, compuestos y candidatos químicos adecuados para diferentes aplicaciones. Las técnicas de optimización, algunas de las cuales se basan en algoritmos de aprendizaje automático, son herramientas poderosas que se pueden usar para seleccionar soluciones óptimas para un problema determinado entre un conjunto de posibilidades típicamente amplio.
Investigadores de la Universidad Estatal de Colorado y el Laboratorio Nacional de Energía Renovable han estado aplicando modelos de optimización molecular de última generación a diferentes problemas del mundo real que implican la identificación de diseños moleculares nuevos y prometedores. En su estudio más reciente, presentado en Nature Machine Intelligence , aplicaron específicamente un marco de optimización de código abierto recientemente desarrollado a la tarea de identificar radicales orgánicos viables para baterías acuosas de flujo redox, dispositivos de energía que convierten la energía química en electricidad.
"Nuestro proyecto fue financiado por un programa ARPA-E que buscaba acortar el tiempo que lleva desarrollar nuevos materiales energéticos utilizando técnicas de aprendizaje automático", dijo a TechXplore Peter C. St. John, uno de los investigadores que llevó a cabo el estudio. . "Encontrar nuevos candidatos para las baterías de flujo redox fue una extensión interesante de algunos de nuestros trabajos anteriores, incluido un artículo publicado en Nature Communications y otra en Datos Científicos , ambos analizando los radicales orgánicos".
El nuevo marco creado por St. John y sus colegas se inspiró en su trabajo anterior sobre optimización molecular. El marco consta esencialmente de la herramienta de inteligencia artificial (IA) AlphaZero, desarrollada por DeepMind, junto con un modelo derivado del aprendizaje automático rápido, compuesto por dos redes neuronales gráficas entrenadas en casi 100 000 simulaciones de química cuántica.
La primera de las redes neuronales gráficas se entrenó para predecir los potenciales de oxidación y reducción, dos parámetros importantes para determinar cuánta energía se puede almacenar en baterías acuosas de flujo redox. El segundo predice la densidad de electrones y el entorno 3D local, que se ha encontrado que ambos están asociados con la vida útil de estas baterías.
"Planteamos la optimización de moléculas como una búsqueda de árbol, donde construimos moléculas agregando componentes de forma iterativa en una estructura en crecimiento", explicó St. John. "La ventaja de este enfoque es que podemos eliminar grandes ramas del espacio de búsqueda donde las moléculas comienzan a mostrar subestructuras que no son realistas. Por lo tanto, podemos limitar nuestro espacio de búsqueda a solo moléculas que cumplan con un conjunto predeterminado de criterios simples".
Los investigadores utilizaron su marco de optimización molecular para ejecutar una serie de pruebas destinadas a identificar posibles radicales orgánicos para baterías acuosas de flujo redox que podrían ser particularmente estables y prometedoras. El marco identificó con éxito varios candidatos moleculares que satisfacían una combinación específica de criterios definidos por St. John y sus colegas.
"Demostramos que el conjunto de posibles candidatos para un tipo particular de portador de carga en baterías orgánicas de flujo redox puede ser mayor de lo que se consideraba anteriormente", dijo St. John. "También demostramos que se pueden encontrar moléculas que podrían conducir a baterías más simples y de alto rendimiento sin requerir el uso de metales de transición".
Hasta ahora, el marco de optimización desarrollado por este equipo de investigadores ha demostrado ser una herramienta muy prometedora para abordar problemas complejos del mundo real relacionados con la ingeniería y la química. En el futuro, podría usarse para identificar nuevos compuestos deseables y candidatos moleculares para muchas tecnologías diferentes, incluidas las baterías acuosas de flujo redox.
"Ahora nos gustaría explorar agregar criterios adicionales como solubilidad y pares redox entre estados cargados", agregó St. John. "Esto requeriría datos de entrenamiento adicionales, pero puede conducir a estructuras candidatas más prometedoras".
© 2022 Red Ciencia X Un negolito heteropoliácido que podría mejorar el rendimiento de las baterías acuosas de flujo redox a bajas temperaturas
