Le tecniche di intelligenza artificiale generativa, l'apprendimento automatico e le simulazioni offrono ai ricercatori nuove opportunità per identificare materiali per strutture metallo-organiche rispettosi dell'ambiente.
La cattura del carbonio è una tecnologia fondamentale per ridurre le emissioni di gas serra provenienti da centrali elettriche e altri impianti industriali. Tuttavia, deve ancora essere trovato un materiale adatto per una cattura efficace del carbonio a basso costo. Un candidato sono le strutture metallo-organiche o MOF. Questo materiale poroso può assorbire selettivamente l'anidride carbonica.
I MOF hanno tre tipi di elementi costitutivi nelle loro molecole:nodi inorganici, nodi organici e linker organici. Questi possono essere disposti in diverse posizioni e configurazioni relative. Di conseguenza, ci sono innumerevoli potenziali configurazioni MOF che gli scienziati possono progettare e testare.
Per accelerare il processo di scoperta, i ricercatori dell’Argonne National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) stanno seguendo diversi percorsi. Uno è l’intelligenza artificiale generativa (AI) per inventare candidati elementi costitutivi precedentemente sconosciuti. Un’altra è una forma di intelligenza artificiale chiamata machine learning. Un terzo percorso è uno screening ad alto rendimento dei materiali candidati. L'ultimo sono le simulazioni basate sulla teoria che utilizzano un metodo chiamato dinamica molecolare.
Ad Argonne si uniscono in questo progetto i ricercatori del Beckman Institute for Advanced Science and Technology dell'Università dell'Illinois Urbana-Champaign (UIUC), dell'Università dell'Illinois a Chicago e dell'Università di Chicago.
Progettare MOF con selettività e capacità ottimali del carbonio è una sfida significativa. Fino ad ora, la progettazione dei MOF si è basata su un accurato lavoro sperimentale e computazionale. Questo può essere costoso e richiedere molto tempo.
Esplorando lo spazio di progettazione MOF con l’intelligenza artificiale generativa, il team è stato in grado di assemblare rapidamente, blocco per blocco, oltre 120.000 nuovi candidati MOF in 30 minuti. Hanno eseguito questi calcoli sul supercomputer Polaris presso l'Argonne Leadership Computing Facility (ALCF).
Si sono poi rivolti al supercomputer Delta dell’UIUC per effettuare simulazioni di dinamica molecolare ad alta intensità di tempo utilizzando solo i candidati più promettenti. L’obiettivo è esaminarli per stabilità, proprietà chimiche e capacità di cattura del carbonio. Delta è il risultato di uno sforzo congiunto dell'Illinois e del suo Centro nazionale per le applicazioni di supercalcolo.
L'approccio del team potrebbe infine consentire agli scienziati di sintetizzare solo i migliori contendenti MOF. "La gente pensa ai MOF da almeno due decenni", ha detto lo scienziato computazionale di Argonne Eliu Huerta, che ha contribuito a condurre lo studio. "I metodi tradizionali implicano tipicamente la sintesi sperimentale e la modellazione computazionale con simulazioni di dinamica molecolare. Ma cercare di esaminare il vasto panorama MOF in questo modo è semplicemente poco pratico."
Presto il team potrà utilizzare strumenti informatici ancora più avanzati. Con la potenza del supercomputer esascala Aurora dell'ALCF, gli scienziati potrebbero esaminare miliardi di candidati MOF contemporaneamente, inclusi molti che non sono mai stati proposti prima.
Inoltre, il team sta traendo ispirazione chimica dal lavoro passato sulla progettazione molecolare per scoprire nuovi modi in cui i diversi elementi costitutivi di un MOF potrebbero combaciare.
"Volevamo aggiungere nuovi sapori ai MOF che stavamo progettando", ha detto Huerta. "Avevamo bisogno di nuovi ingredienti per la ricetta dell'IA." L'algoritmo del team può apportare miglioramenti ai MOF per la cattura del carbonio apprendendo la chimica da set di dati sperimentali di biofisica, fisiologia e chimica fisica che non sono stati presi in considerazione prima per la progettazione dei MOF.
Per Huerta, guardare oltre gli approcci tradizionali mantiene la promessa di un materiale MOF trasformativo, che potrebbe essere efficace nella cattura del carbonio, economico e facile da produrre.
"Stiamo ora collegando l'intelligenza artificiale generativa, lo screening ad alto rendimento, la dinamica molecolare e le simulazioni Monte Carlo in un flusso di lavoro autonomo", ha affermato Huerta. "Questo flusso di lavoro incorpora l'apprendimento online utilizzando la ricerca sperimentale e computazionale passata per accelerare e migliorare la precisione dell'intelligenza artificiale per creare nuovi MOF."
L'approccio atomo per atomo alla progettazione MOF consentito dall'intelligenza artificiale consentirà agli scienziati di avere ciò che Ian Foster, scienziato senior di Argonne e direttore della divisione Data Science and Learning, ha definito una "lente più ampia" su questo tipo di strutture porose.
“Si sta lavorando in modo tale che, per i nuovi MOF assemblati dall’intelligenza artificiale previsti, incorporiamo intuizioni provenienti da laboratori autonomi per convalidare sperimentalmente la loro capacità di essere sintetizzati e la capacità di catturare il carbonio”, ha affermato Foster. "Con il perfezionamento del modello, le nostre previsioni miglioreranno sempre di più."
Un articolo basato sullo studio è stato scritto da Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster ed Emad Tajkhorshid. È apparso nel numero online di Communications Chemistry .
"Lo studio dimostra il grande potenziale dell'utilizzo di approcci basati sull'intelligenza artificiale nelle scienze molecolari", ha affermato Tajkhorshid dell'UIUC. "Speriamo di estendere la portata dell'approccio a problemi quali le simulazioni biomolecolari e la progettazione di farmaci."
"Questo lavoro è una testimonianza della collaborazione tra studenti laureati e scienziati all'inizio della carriera provenienti da diverse istituzioni che si sono riuniti per lavorare su questo importante progetto di intelligenza artificiale per la scienza", ha affermato Huerta. "Il futuro rimarrà luminoso mentre continuiamo a ispirare e a lasciarci ispirare da giovani scienziati di talento."
Ulteriori informazioni: Hyun Park et al, Una struttura di intelligenza artificiale generativa basata su un modello di diffusione molecolare per la progettazione di strutture metallo-organiche per la cattura del carbonio, Chimica delle comunicazioni (2024). DOI:10.1038/s42004-023-01090-2
Fornito dal Laboratorio nazionale Argonne
