Estruturas metal-orgânicas (MOFs) são uma classe de materiais que contêm poros de tamanho nano. Esses poros proporcionam aos MOFs áreas de superfície internas recordes, o que os torna extremamente versáteis para uma série de aplicações: separação de petroquímicos e gases, imitação de DNA, produção de hidrogênio e remoção de metais pesados, ânions fluoreto e até ouro da água são apenas alguns exemplos. exemplos.

Os MOFs são o foco da pesquisa do professor Berend Smit na EPFL School of Basic Sciences, onde seu grupo emprega aprendizado de máquina para fazer avanços na descoberta, design e até mesmo na categorização dos MOFs cada vez maiores que atualmente inundam bancos de dados químicos.

Em um novo estudo, Smit e seus colegas desenvolveram um modelo de aprendizado de máquina que prevê a capacidade térmica dos MOFs. "Trata-se de termodinâmica muito clássica", diz Smit. "Quanta energia é necessária para aquecer um material em um grau? Até agora, todos os cálculos de engenharia assumiram que todos os MOFs têm a mesma capacidade de calor, pela simples razão de que quase não há dados disponíveis."

Seyed Mohamad Moosavi, pós-doc no grupo de Smit, acrescenta que "se não há dados, como se pode fazer um modelo de aprendizado de máquina? Isso parece impossível!"

A resposta é o aspecto mais inovador do trabalho: um modelo de aprendizado de máquina que prevê como o ambiente químico local altera as vibrações de cada átomo em uma molécula MOF.

"Essas vibrações podem estar relacionadas à capacidade de calor", diz Smit. "Antes, um cálculo quântico muito caro nos daria uma única capacidade de calor para um único material, mas agora temos até 200 pontos de dados sobre essas vibrações. Então, fazendo 200 cálculos caros, tínhamos 40.000 pontos de dados para treinar o modelo sobre como essas vibrações dependem de seu ambiente químico."

Os pesquisadores então testaram seu modelo contra dados experimentais como uma verificação da vida real. "Os resultados foram surpreendentemente ruins", diz Smit, "até percebermos que esses experimentos foram feitos com MOFs que tinham solvente em seus poros. Então, ressintetizamos alguns MOFs e removemos cuidadosamente o solvente de síntese - medimos sua capacidade térmica - e os resultados concordaram muito bem com as previsões do nosso modelo."

"Nossa pesquisa mostra como a Inteligência Artificial (IA) pode acelerar a resolução de problemas em várias escalas", diz Moosavi. A IA nos capacita a pensar sobre nossos problemas de uma nova maneira e, às vezes, até mesmo abordá-los."

Para demonstrar o impacto do trabalho no mundo real, engenheiros da Heriot-Watt University simularam o desempenho dos MOFs em uma planta de captura de carbono.

“Usamos simulações moleculares quânticas, aprendizado de máquina e engenharia química em simulações de processos”, diz Smit. "Os resultados mostraram que, com valores corretos de capacidade calorífica dos MOFs, o custo total de energia do processo de captura de carbono pode ser muito menor do que imaginávamos originalmente. Nosso trabalho é um verdadeiro esforço em várias escalas, com um enorme impacto na viabilidade técnico-econômica das soluções atualmente consideradas para combater as mudanças climáticas."

A pesquisa é publicada na Nature Materials .