El aprendizaje automático se puede utilizar para predecir las propiedades de un grupo de materiales que, según algunos, podrían ser tan importantes para el siglo XXI como los plásticos para el siglo XX.
Los investigadores han utilizado técnicas de aprendizaje automático para predecir con precisión las propiedades mecánicas de los armazones orgánicos metálicos MOF, que podrían usarse para extraer agua del aire en el desierto, almacenar gases peligrosos o impulsar automóviles a base de hidrógeno.
Los investigadores, liderados por la Universidad de Cambridge, utilizaron su algoritmo de aprendizaje automático para predecir las propiedades de más de 3000 MOF existentes, así como los MOF que aún no se han sintetizado en el laboratorio.
Los resultados, publicados en la edición inaugural de la revista Cell Press materia , podría usarse para acelerar significativamente la forma en que los materiales se caracterizan y diseñan a escala molecular.
Los MOF son compuestos 3D de autoensamblaje hechos de átomos metálicos y orgánicos conectados entre sí. Al igual que los plásticos, son muy versátiles y se pueden personalizar en millones de combinaciones diferentes. A diferencia de los plásticos, que se basan en largas cadenas de polímeros que crecen ensolo una dirección, los MOF tienen estructuras cristalinas ordenadas que crecen en todas las 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 que es imposible de lograr con los plásticos.
Las estructuras son altamente porosas con un área de superficie masiva: un MOF del tamaño de un terrón de azúcar tendido plano cubriría un área del tamaño de seis campos de fútbol. Sin embargo, tal vez de forma algo intuitiva, los MOF son dispositivos de almacenamiento altamente efectivos.MOF se puede personalizar para formar un bolsillo de almacenamiento con forma perfecta para diferentes moléculas, simplemente cambiando los bloques de construcción.
"Que los MOF sean tan porosos los hace altamente adaptables para todo tipo de aplicaciones diferentes, pero al mismo tiempo su naturaleza porosa los hace muy frágiles", dijo el Dr. David Fairen-Jiménez, del Departamento de Ingeniería Química y Biotecnología de Cambridge, quien dirigióla investigación.
Los MOF se sintetizan en forma de polvo, pero para que su uso sea práctico, el polvo se somete a presión y se forma en gránulos más grandes y con forma. Debido a su porosidad, muchos MOF se aplastan en este proceso, perdiendo tiempo ydinero.
Para abordar este problema, Fairen-Jiménez 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 fabrican aquellos con la estabilidad mecánica necesaria.
Los investigadores utilizaron un enfoque computacional multinivel para construir un mapa interactivo del paisaje estructural y mecánico de los MOF. Primero, utilizaron simulaciones moleculares de alto rendimiento para 3.385 MOF. En segundo lugar, desarrollaron un aprendizaje automático disponible de forma gratuita.algoritmo para predecir automáticamente las propiedades mecánicas de los MOF existentes y aún por sintetizar.
"Ahora podemos explicar el paisaje de 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 rendimiento de sus propios MOF. Fairen-Jiménez dice que la herramienta ayudará a cerrar la brecha entre los experimentadores y los computacionalistas que trabajan en esta área ". Permite a los investigadores accederlas herramientas que necesitan para trabajar con estos materiales: simplifica las preguntas que necesitan hacer ", dijo.
La investigación fue financiada en parte por la Royal Society y el European Research Council.
Fuente de la historia :
Materiales proporcionado por Universidad de Cambridge . La historia original tiene licencia bajo a Licencia Creative Commons . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :