Técnicas generativas de IA, aprendizado de máquina e simulações oferecem aos pesquisadores novas oportunidades para identificar materiais de estrutura metal-orgânica ecologicamente corretos.



A captura de carbono é uma tecnologia crítica na redução das emissões de gases com efeito de estufa provenientes de centrais eléctricas e outras instalações industriais. No entanto, ainda não foi encontrado um material adequado para uma captura eficaz de carbono a baixo custo. Um candidato são estruturas metal-orgânicas ou MOFs. Este material poroso pode absorver seletivamente o dióxido de carbono.

Os MOFs têm três tipos de blocos de construção em suas moléculas – nós inorgânicos, nós orgânicos e ligantes orgânicos. Estes podem ser dispostos em diferentes posições relativas e configurações. Como resultado, existem inúmeras configurações MOF potenciais para os cientistas projetarem e testarem.

Para acelerar o processo de descoberta, pesquisadores do Laboratório Nacional Argonne do Departamento de Energia dos EUA (DOE) estão seguindo vários caminhos. Uma delas é a inteligência artificial generativa (IA) para imaginar candidatos a blocos de construção anteriormente desconhecidos. Outra é uma forma de IA chamada aprendizado de máquina. Um terceiro caminho é uma triagem de alto rendimento de materiais candidatos. A última são simulações baseadas em teoria usando um método chamado dinâmica molecular.

Juntando-se a Argonne neste projeto estão pesquisadores do Instituto Beckman de Ciência e Tecnologia Avançada da Universidade de Illinois Urbana-Champaign (UIUC), da Universidade de Illinois em Chicago e da Universidade de Chicago.

Projetar MOFs com seletividade e capacidade ideais de carbono é um desafio significativo. Até agora, o projeto do MOF dependia de um trabalho experimental e computacional meticuloso. Isso pode ser caro e demorado.

Ao explorar o espaço de design do MOF com IA generativa, a equipe conseguiu montar rapidamente, bloco por bloco, mais de 120.000 novos candidatos a MOF em 30 minutos. Eles executaram esses cálculos no supercomputador Polaris no Argonne Leadership Computing Facility (ALCF).

Eles então recorreram ao supercomputador Delta da UIUC para realizar simulações de dinâmica molecular demoradas usando apenas os candidatos mais promissores. O objetivo é analisá-los quanto à estabilidade, propriedades químicas e capacidade de captura de carbono. Delta é um esforço conjunto de Illinois e seu Centro Nacional para Aplicações de Supercomputação.

A abordagem da equipe poderia, em última análise, permitir que os cientistas sintetizassem apenas os melhores candidatos ao MOF. “As pessoas pensam em MOFs há pelo menos duas décadas”, disse o cientista computacional de Argonne, Eliu Huerta, que ajudou a liderar o estudo. "Os métodos tradicionais normalmente envolvem síntese experimental e modelagem computacional com simulações de dinâmica molecular. Mas tentar pesquisar a vasta paisagem MOF desta forma é simplesmente impraticável."

Em breve, uma computação ainda mais avançada estará disponível para a equipe utilizar. Com o poder do supercomputador exaescala Aurora do ALCF, os cientistas poderiam pesquisar bilhões de candidatos a MOF de uma só vez, incluindo muitos que nunca foram propostos antes.

Além do mais, a equipe está se inspirando química em trabalhos anteriores sobre design molecular para descobrir novas maneiras pelas quais os diferentes blocos de construção de um MOF poderiam se encaixar.

“Queríamos adicionar novos sabores aos MOFs que estávamos projetando”, disse Huerta. "Precisávamos de novos ingredientes para a receita da IA." O algoritmo da equipe pode fazer melhorias nos MOFs para captura de carbono, aprendendo química a partir de conjuntos de dados experimentais de biofísica, fisiologia e físico-química que não foram considerados para o projeto de MOF antes.

Para Huerta, olhar além das abordagens tradicionais traz a promessa de um material MOF transformador – um material que poderia ser bom na captura de carbono, econômico e fácil de produzir.

“Agora estamos conectando IA generativa, triagem de alto rendimento, dinâmica molecular e simulações de Monte Carlo em um fluxo de trabalho independente”, disse Huerta. "Este fluxo de trabalho incorpora aprendizagem on-line usando pesquisas experimentais e computacionais anteriores para acelerar e melhorar a precisão da IA ​​para criar novos MOFs."

A abordagem átomo por átomo para o design MOF possibilitada pela IA permitirá que os cientistas tenham o que o cientista sênior da Argonne e diretor da divisão de Ciência de Dados e Aprendizagem, Ian Foster, chamou de "lente mais ampla" para esses tipos de estruturas porosas.

“Está sendo feito trabalho para que, para os novos MOFs montados por IA que estão sendo previstos, incorporemos insights de laboratórios autônomos para validar experimentalmente sua capacidade de síntese e de captura de carbono”, disse Foster. "Com o modelo ajustado, nossas previsões ficarão cada vez melhores."

Um artigo baseado no estudo foi de autoria de Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster e Emad Tajkhorshid. Apareceu na edição on-line da Química das Comunicações .

“O estudo demonstra o grande potencial do uso de abordagens baseadas em IA nas ciências moleculares”, disse Tajkhorshid da UIUC. "Esperamos ampliar o escopo da abordagem para problemas como simulações biomoleculares e design de medicamentos."

“Este trabalho é uma prova da colaboração entre estudantes de pós-graduação e cientistas em início de carreira de diferentes instituições que se uniram para trabalhar neste importante projeto de IA para a ciência”, disse Huerta. "O futuro continuará brilhante à medida que continuarmos a inspirar e ser inspirados por jovens cientistas talentosos."

Mais informações: Hyun Park et al, Uma estrutura generativa de inteligência artificial baseada em um modelo de difusão molecular para o projeto de estruturas metal-orgânicas para captura de carbono, Química das Comunicações (2024). DOI:10.1038/s42004-023-01090-2
Fornecido pelo Laboratório Nacional Argonne