Un modelo de aprendizaje automático para identificar nuevos compuestos para luchar contra el calentamiento global


Entre todos los gases de efecto invernadero, el dióxido de carbono es el que más contribuye al calentamiento global


por Kaitlyn Landram, Ingeniería Mecánica de la Universidad Carnegie Mellon


Si no tomamos medidas para el año 2100, según el Panel Intergubernamental sobre Cambio Climático, la temperatura promedio de nuestro mundo aumentará alrededor de 34 grados Fahrenheit. Encontrar formas efectivas de capturar y almacenar CO 2 ha sido un desafío para los investigadores y las industrias enfocadas en combatir el calentamiento global, y Amir Barati Farimani ha estado trabajando para cambiar eso.

“Los modelos de aprendizaje automático prometen descubrir nuevos compuestos químicos o materiales para luchar contra el calentamiento global “, explica Barati Farimani, profesor asistente de ingeniería mecánica en la Universidad Carnegie Mellon. “Los modelos de aprendizaje automático pueden lograr una detección virtual precisa y eficiente de los candidatos de almacenamiento de CO2 e incluso pueden generar compuestos preferibles que nunca antes existieron”.

Barati Farimani ha logrado un gran avance utilizando el aprendizaje automático para identificar moléculas de líquidos iónicos. Los líquidos iónicos (IL) son familias de sales fundidas que permanecen en estado líquido a temperatura ambiente, tienen alta estabilidad química y alta solubilidad en CO 2 , lo que los convierte en candidatos ideales para el almacenamiento de CO 2 . La combinación de iones determina en gran medida las propiedades de los IL. Sin embargo, tales posibilidades combinatorias de cationes y aniones hacen que sea extremadamente difícil agotar el espacio de diseño de los IL para el almacenamiento eficiente de CO 2 a través de experimentos convencionales.

El aprendizaje automático se usa a menudo en el descubrimiento de fármacos para crear las llamadas huellas dactilares moleculares junto con redes neuronales gráficas (GNN) que tratan las moléculas como gráficos y usan una matriz para identificar enlaces moleculares y propiedades relacionadas. Por primera vez, Barati Farimani ha desarrollado modelos ML basados ​​en huellas dactilares y GNN que pueden predecir la absorción de CO 2 en líquidos iónicos.

“Nuestro método GNN logra una precisión superior en la predicción de la solubilidad del CO 2 en líquidos iónicos”, afirma Barati Farimani. “A diferencia de los métodos de aprendizaje automático anteriores que se basan en características artesanales, GNN aprende directamente las características de los gráficos moleculares”.

Comprender cómo los modelos de aprendizaje automático toman decisiones es tan importante como las propiedades moleculares que identifican. Esta explicación brinda a los investigadores una perspectiva adicional sobre cómo la estructura de la molécula afecta la propiedad de los líquidos iónicos desde una perspectiva basada en datos. Por ejemplo, el equipo de Barati Farmimani encontró que los fragmentos moleculares que interactúan físicamente con el CO 2 son menos importantes que aquellos que tienen una interacción química. Además, aquellos con menos hidrógeno conectado al nitrógeno podrían ser más favorables para formalizar una interacción química estable con el CO 2 .

Estos hallazgos, publicados en ACS Sustainable Chemistry & Engineering , permitirán a los investigadores asesorar sobre el diseño de líquidos iónicos novedosos y eficientes para el almacenamiento de CO 2 en el futuro.

Más información: Yue Jian et al, Predicción de la absorción de CO2 en líquidos iónicos con descriptores moleculares y redes neuronales gráficas explicables, Química e ingeniería sostenibles de ACS (2022). DOI: 10.1021/acssuschemeng.2c05985