L’apprendimento automatico ML prevede le capacità termiche dei MOF 

Le strutture metallo-organiche (MOF) sono una classe di materiali che contengono pori di dimensioni nanometriche. Questi pori conferiscono ai MOF superfici interne da record, che li rendono estremamente versatili per numerose applicazioni: separare prodotti petrolchimici  e  gas ,  imitare il DNA , produrre  idrogeno e rimuovere   dall’acqua metalli pesanti ,  anioni fluoruro e persino  oro . esempi.

I MOF sono al centro della ricerca del professor Berend Smit presso la EPFL School of Basic Sciences, dove il suo gruppo utilizza l’apprendimento automatico per fare progressi nella scoperta, nella progettazione e persino nella categorizzazione dei MOF sempre più numerosi che attualmente invadono i database chimici.

In un nuovo studio, Smit e i suoi colleghi hanno sviluppato un modello di apprendimento automatico che prevede la capacità termica dei MOF. “Si tratta di una termodinamica molto classica”, afferma Smit. “Quanta energia è necessaria per riscaldare un materiale di un grado? Finora, tutti i calcoli ingegneristici hanno presupposto che tutti i MOF abbiano la stessa capacità termica, per il semplice motivo che non ci sono quasi dati disponibili”. Seyed Mohamad Moosavi, un postdoc presso il gruppo di Smit, aggiunge: “Se non ci sono dati, come si può creare un modello di apprendimento automatico? Sembra impossibile!”

La risposta è l’aspetto più innovativo del lavoro: un modello di apprendimento automatico che prevede come l’ambiente chimico locale modifica le vibrazioni di ciascun atomo in una molecola MOF. “Queste vibrazioni possono essere correlate alla capacità termica”, afferma Smit. “Prima, un calcolo quantistico molto costoso ci dava una singola capacità termica per un singolo materiale, ma ora otteniamo fino a 200 punti dati su queste vibrazioni. Quindi, eseguendo 200 costosi calcoli, abbiamo avuto 40.000 punti dati per addestrare il modello su come queste vibrazioni dipendono dal loro ambiente chimico”.

I ricercatori hanno quindi testato il loro modello rispetto a dati sperimentali come verifica nella vita reale. “I risultati sono stati sorprendentemente scarsi”, afferma Smit, “fino a quando non ci siamo resi conto che quegli esperimenti erano stati condotti con MOF che avevano solvente nei loro pori. Quindi, abbiamo sintetizzato nuovamente alcuni MOF e rimosso con cura il solvente di sintesi, misurandone la capacità termica, e i risultati sono stati in ottimo accordo con le previsioni del nostro modello!

“La nostra ricerca mostra come l’Intelligenza Artificiale (AI) può accelerare la risoluzione di problemi su più scale”, afferma Moosavi. L’intelligenza artificiale ci consente di pensare ai nostri problemi in un modo nuovo e, a volte, persino di affrontarli”.

Per dimostrare l’impatto del lavoro nel mondo reale, gli ingegneri della Heriot-Watt University hanno simulato le prestazioni dei MOF in un impianto di cattura del carbonio. “Abbiamo utilizzato simulazioni molecolari quantistiche, apprendimento automatico e ingegneria chimica nelle simulazioni di processo”, afferma Smit. “I risultati hanno mostrato che con valori di capacità termica corretti dei MOF il costo energetico complessivo del processo di cattura del carbonio può essere molto inferiore a quanto inizialmente ipotizzato. Il nostro lavoro è un vero sforzo multiscala, con un enorme impatto sulla fattibilità tecnico-economica delle soluzioni attualmente considerate per affrontare il cambiamento climatico”.