La Universidad Tecnológica de Graz revoluciona la simulación de las estructuras metalorgánicas (MOF)
Búsqueda más eficaz de las propiedades deseadas
Debido a las complejas estructuras de los cristales microporosos conocidos como MOF, hasta ahora resultaba difícil realizar simulaciones fiables de sus propiedades. El aprendizaje automático aporta la solución.
Almacenamiento de hidrógeno, conducción del calor, almacenamiento de gas, secuestro de CO2 y agua: los marcos metalorgánicos (MOF) tienen propiedades extraordinarias debido a su estructura única en forma de cristales microporosos, que presentan una superficie muy grande a pesar de su pequeño tamaño. Esto los hace sumamente interesantes para la investigación y las aplicaciones prácticas. Sin embargo, los MOF son sistemas muy complejos que hasta ahora han requerido mucho tiempo y potencia de cálculo para simularlos con precisión. Ahora, un equipo dirigido por Egbert Zojer, del Instituto de Física del Estado Sólido de la Universidad Tecnológica de Graz (TU Graz), ha mejorado significativamente estas simulaciones utilizando el aprendizaje automático, lo que acelera enormemente el desarrollo y la aplicación de nuevos MOF. Los investigadores han publicado su método en la revista Nature Research npj Computational Materials.
Antes era irreal simular con la precisión de los métodos de mecánica cuántica
"Para simular ciertas propiedades de los MOF es necesario simular supercélulas enormes. Esto se aplica, por ejemplo, al cálculo de la conducción del calor en MOFs, que es muy relevante para casi todas las aplicaciones. Las supercélulas simuladas a menudo contienen decenas de miles o incluso cientos de miles de átomos. Para estos enormes sistemas, es necesario resolver las ecuaciones de movimiento entre cinco y diez millones de veces. Esto va mucho más allá de las posibilidades actuales de cálculo con métodos mecánicos cuánticos fiables", explica Egbert Zojer, describiendo el reto que había que resolver.
Hasta ahora, para estos cálculos se solían utilizar campos de fuerza transferibles, a menudo parametrizados a partir de experimentos. Sin embargo, los resultados obtenidos con estos campos de fuerza no solían ser suficientemente fiables. Esto ha cambiado radicalmente con el uso de potenciales aprendidos por máquinas. Éstos se adaptan a las simulaciones de mecánica cuántica utilizando una interacción de algoritmos existentes de nuevo desarrollo, incluidos los enfoques desarrollados en la Universidad de Viena. Para el necesario aprendizaje automático de los potenciales específico para cada material, las simulaciones de mecánica cuántica sólo deben realizarse para un número comparativamente pequeño de estructuras. Como resultado, los cálculos se ejecutan muchos órdenes de magnitud más rápido y es posible simular las fuerzas en las enormes supercélulas muchos millones de veces en los superordenadores modernos. La ventaja decisiva en este caso es que no se produce una pérdida relevante de precisión en comparación con la realización de las simulaciones mediante métodos de mecánica cuántica.
Búsqueda más eficaz de las propiedades deseadas
Para el ejemplo de la conducción de calor de los MOFs, esto significa que la nueva estrategia de simulación desarrollada hará posible simular las propiedades relevantes del material incluso antes de que los MOFs sean sintetizados, permitiendo así desarrollar estructuras personalizadas de forma fiable en el ordenador. Esto representa un gran avance para la investigación de materiales complejos, que en el caso del transporte de calor permitirá, por ejemplo, optimizar la interacción entre los nodos de óxido metálico y los enlaces orgánicos semiconductores. El uso de la nueva estrategia de simulación también facilitará la superación de retos complejos. Por ejemplo, los MOF deben tener una buena o mala conductividad térmica en función de su aplicación.
Un sistema de almacenamiento de hidrógeno, por ejemplo, debe ser capaz de disipar bien el calor, mientras que en las aplicaciones termoeléctricas debe combinarse una buena conducción eléctrica con la menor disipación de calor posible. Además de simular la conductividad térmica, los nuevos potenciales aprendidos automáticamente son ideales para calcular otras propiedades dinámicas y estructurales de los MOF. Entre ellas se incluyen las estructuras cristalográficas, las constantes elásticas, así como los espectros vibracionales y los fonones, que desempeñan un papel decisivo en la estabilidad térmica de los MOF y en sus propiedades de transporte de cargas.
Cifras cuantitativamente fiables
"Ahora disponemos de herramientas que sabemos que son increíblemente eficaces a la hora de proporcionarnos cifras cuantitativas fiables. Esto nos permite cambiar sistemáticamente las estructuras de los MOF en las simulaciones, sabiendo al mismo tiempo que las propiedades simuladas serán exactas. Esto nos permitirá, basándonos en la causalidad, comprender qué cambios en la estructura atomística generan los efectos deseados", afirma Egbert Zojer, que sabe por grupos de investigación de Múnich y Bayreuth que ya han adoptado la nueva estrategia de simulación a pesar de su reciente publicación.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
