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. 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 CO₂ 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, profesora asistente de ingeniería mecánica en la Universidad Carnegie Mellon. «Los modelos de aprendizaje automático pueden lograr una detección virtual precisa y eficiente de CO₂ candidatos de almacenamiento 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 alto contenido de CO₂ solubilidad, haciéndolos candidatos ideales para CO₂ almacenamiento. 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 IL para CO eficiente₂ almacenamiento 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 el CO₂ absorción en líquidos iónicos.

«Nuestro método GNN logra una precisión superior en la predicción del CO₂ solubilidad en líquidos de iones «, afirma Barati Farimani. «A diferencia de los métodos ML 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 descubrió que los fragmentos moleculares que interactúan físicamente con el CO₂ son menos importantes que los 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 Química e Ingeniería Sosteniblepermitirá a los investigadores asesorar sobre el diseño de líquidos iónicos novedosos y eficientes para CO₂ almacenamiento en el futuro.