Extrayendo los metales de transición adecuados en un vasto espacio químico.
Extracting suitable transition metals in a vast chemical space.
Los químicos computacionales diseñan mejores formas de descubrir y diseñar materiales para aplicaciones de energía.
Los avances significativos y rápidos contra el cambio climático requieren la creación de materiales novedosos, respetuosos con el medio ambiente y eficientes en energía. Uno de los enfoques más prometedores para crear estos compuestos útiles es un vasto espacio químico donde se espera encontrar combinaciones moleculares con propiedades ópticas, conductoras, magnéticas y de transferencia de calor notables que aún no se han descubierto.
Sin embargo, encontrar estos nuevos materiales ha sido un proceso lento.
“Aunque el modelado computacional nos ha permitido descubrir y predecir las propiedades de nuevos materiales mucho más rápido que la experimentación, estos modelos no siempre son confiables”, dice Heather J. Kulik, PhD ’09, profesora asociada en los departamentos de Ingeniería Química y Química. “Para acelerar el descubrimiento computacional de materiales, necesitamos mejores métodos para eliminar la incertidumbre y hacer nuestras predicciones más precisas”.
- Acelerando el descubrimiento de medicamentos con modelos generativo...
- Sistema de aprendizaje profundo explora el interior de los material...
- Nueva herramienta ayuda a las personas a elegir el método adecuado ...
Un equipo del laboratorio de Kulik se propuso abordar estos desafíos junto con un equipo que incluía a Chenru Duan, PhD ’22.
Una herramienta para crear confianza
Kulik y su grupo se centran en complejos de metales de transición, moléculas formadas por metales que se encuentran en el medio de la tabla periódica y están rodeados de ligandos orgánicos. Estos complejos pueden ser extremadamente reactivos, lo que les da un papel central en la catálisis de procesos naturales e industriales. Al alterar los componentes orgánicos y metálicos en estas moléculas, los científicos pueden generar materiales con propiedades que pueden mejorar aplicaciones como la fotosíntesis artificial, la absorción y el almacenamiento de energía solar, OLEDS de mayor eficiencia (diodos orgánicos emisores de luz) y la miniaturización de dispositivos.
“La caracterización de estos complejos y el descubrimiento de nuevos materiales actualmente ocurre lentamente, a menudo impulsado por la intuición del investigador”, dice Kulik. “Y el proceso implica compensaciones: puede encontrar un material que tenga buenas propiedades de emisión de luz, pero el metal en el centro puede ser algo como el iridio, que es extremadamente raro y tóxico”.
Los investigadores que intentan identificar complejos de metales de transición no tóxicos y abundantes en la Tierra con propiedades útiles tienden a seguir un conjunto limitado de características, con solo una modesta seguridad de que van por el camino correcto. “Las personas siguen iterando en un ligando particular y se quedan atrapadas en áreas locales de oportunidad, en lugar de realizar un descubrimiento a gran escala”, dice Kulik.
Para abordar estas ineficiencias de detección, el equipo de Kulik desarrolló un nuevo enfoque, un “recomendador” basado en aprendizaje automático que permite a los investigadores conocer el modelo óptimo para seguir su búsqueda. Su descripción de esta herramienta fue objeto de un artículo en Nature Computational Science en diciembre.
“Este método supera todos los enfoques anteriores y puede decir a las personas cuándo usar métodos y cuándo serán confiables”, dice Kulik.
El equipo, liderado por Duan, comenzó investigando formas de mejorar el enfoque convencional de detección, la teoría funcional de la densidad (DFT), que se basa en la mecánica cuántica computacional. Construyó una plataforma de aprendizaje automático para determinar qué modelos de funciones de densidad eran más precisos para predecir la estructura y el comportamiento de las moléculas de metales de transición.
“Esta herramienta aprendió qué modelos de funciones de densidad eran los más confiables para complejos de materiales específicos”, dice Kulik. “Verificamos esto probando la herramienta contra materiales que nunca había encontrado antes, donde de hecho eligió las funciones de densidad más precisas para predecir la propiedad del material”.
Un avance crítico para el equipo fue su decisión de utilizar la densidad electrónica, una propiedad mecánica cuántica fundamental de los átomos, como entrada para el aprendizaje automático. Este identificador único, así como el uso de un modelo de red neuronal para llevar a cabo el mapeo, crea una ayuda potente y eficiente para los investigadores que desean determinar si están utilizando la función de densidad adecuada para caracterizar su complejo de metales de transición objetivo. “Un cálculo que tomaría días o semanas, lo que hace que la detección computacional sea casi inviable, puede producir un resultado confiable en solo unas pocas horas”.
Kulik ha incorporado esta herramienta en molSimplify, un código de código abierto en el sitio web del laboratorio, lo que permite a los investigadores en cualquier lugar del mundo predecir las propiedades y modelar los complejos de metales de transición.
Optimización para múltiples propiedades
En un empuje de investigación relacionado, que presentaron en una publicación reciente en JACS Au, el grupo de Kulik demostró un enfoque para enfocarse rápidamente en complejos de metales de transición con propiedades específicas en un gran espacio químico.
Su trabajo se basó en un artículo de 2021 que mostraba que el acuerdo sobre las propiedades de una molécula objetivo entre un grupo de diferentes funciones de densidad reducía significativamente la incertidumbre de las predicciones de un modelo.
El equipo de Kulik aprovechó esta idea al demostrar, por primera vez, una optimización multiobjetivo. En su estudio, identificaron con éxito moléculas fáciles de sintetizar con propiedades significativas de absorción de luz, utilizando metales abundantes en la Tierra. Buscaron entre 32 millones de materiales candidatos, uno de los espacios más grandes jamás buscados para esta aplicación. “Desarmamos complejos que ya están en materiales conocidos sintetizados experimentalmente y los combinamos de nuevas formas, lo que nos permitió mantener cierto realismo sintético”, dice Kulik.
Después de recopilar los resultados de la Transformada de Fourier Discreta (DFT) en 100 compuestos en este gran dominio químico, el grupo entrenó modelos de aprendizaje automático para hacer predicciones en todo el espacio de 32 millones de compuestos, con el objetivo de lograr sus metas de diseño específicas. Repitieron este proceso generación tras generación para eliminar los compuestos con las propiedades explícitas que querían.
“Al final encontramos nueve de los compuestos más prometedores, y descubrimos que los compuestos específicos que elegimos a través del aprendizaje automático contenían piezas (ligandos) que habían sido sintetizadas experimentalmente para otras aplicaciones que requerían propiedades ópticas, con espectros de absorción de luz favorables”, dice Kulik.
Aplicaciones con impacto
Aunque el objetivo general de Kulik implica superar las limitaciones en la modelización computacional, su laboratorio está aprovechando al máximo sus propias herramientas para agilizar el descubrimiento y diseño de nuevos materiales potencialmente impactantes.
En un ejemplo notable, “Estamos trabajando activamente en la optimización de marcos metal-orgánicos para la conversión directa de metano a metanol”, dice Kulik. “Esta es una reacción del Santo Grial que las personas han querido catalizar durante décadas, pero no han podido hacerlo de manera eficiente”.
La posibilidad de un camino rápido para transformar un gas de efecto invernadero muy potente en un líquido que se transporta fácilmente y se podría utilizar como combustible o producto químico de valor agregado es muy atractiva para Kulik. “Representa uno de esos desafíos de buscar una aguja en un pajar que la optimización y selección de múltiples objetivos de millones de catalizadores candidatos está bien posicionada para resolver, un desafío sobresaliente que ha existido durante tanto tiempo”.
