L’analisi predittiva nello studio delle strutture metallorganiche per applicazioni nel settore Energy

La chimica computazionale coniuga modelli matematici, software per la simulazione e tecniche di intelligenza artificiale per lo studio delle proprietà di alcuni materiali, tra cui le strutture metallorganiche, dall’accentuata porosità e della cui stabilità si conosce poco.

TAKEAWAY

  • Un gruppo di chimici computazionali del Massachusetts Institute of Technology ha messo a punto un sistema AI per analizzare le caratteristiche dei Metal Organic Frameworks (MOFs) e fare previsioni circa la possibilità che tali materiali, nonostante siano estremamente porosi, possano superare il rischio di degradarsi, specie a determinate temperature.
  • Il primo step è stato lo sviluppo di un algoritmo NLP per setacciare oltre 4mila testi scritti che trattano di strutture metallorganiche progettate per specifiche applicazioni, col fine di estrarne dati relativi alla loro stabilità termica e alla loro resistenza alla rimozione di particolari solventi.
  • Dopo che due modelli di machine learning hanno previsto la stabilità delle strutture metallorganiche e hanno identificato quelle caratteristiche che le rendono più forti, si stanno adoperando gli stessi strumenti predittivi per individuare i MOFs da usare per catalizzare la conversione del gas metano in composti da usare come combustibili più sicuri per l’ambiente.

L’impiego delle tecniche di intelligenza artificiale per applicazioni nell’ambito della chimica computazionale – accanto a modelli matematici e all’utilizzo di software per la simulazione di sistemi chimici, con l’obiettivo di sondarli in profondità- sta divenendo sempre più sistematico, a supporto dei ricercatori impegnati su più fronti, tra cui quello dello studio delle proprietà di alcuni materiali e la scoperta di nuovi.

È il caso delle strutture metallorganiche – o Metal Organic Frameworks (MOFs) – materiali cristallini dalla porosità molto elevata, della cui stabilità (e del modo in cui potenziarla) si sa ancora poco. Su tale materia è intervenuto un gruppo di chimici computazionali del Massachusetts Institute of Technology (MIT), sviluppando un sistema AI concepito per analizzare le caratteristiche di uno di questi materiali cristallini e fare previsioni circa la possibilità che possa diventare così stabile da essere adoperato, ad esempio, per catalizzare la conversione del gas metano in composti da usare, poi, come combustibili più sicuri per l’ambiente.

Intelligenza artificiale per la chimica computazionale: un algoritmo NLP estrae informazioni strategiche da oltre 4mila testi che trattano di MOFs

«Metal Organic Frameworks – spiegano gli autori della ricerca in tema di intelligenza artificiale per la chimica computazionale – sono costituiti da atomi di metallo uniti tra loro da molecole organiche chiamate “linker”, che creano una struttura rigida simile a una gabbia. Presentano molti pori, il che li rende utili, in particolare, per catalizzare reazioni che coinvolgono i gas, ma, allo stesso tempo, li rende poco stabili dal punto di vista strutturale». Dunque, la porosità come punto di forza e – insieme – punto debole di questi materiali. E che, soprattutto nell’ambito di applicazioni come quella per la quale ha lavorato il MIT – ossia la catalisi che coinvolge i gas – rappresenta un grosso limite che, una volta realizzati su scala industriale, porterebbe i MOFs a degradarsi.

A livello globale, la storia della progettazione delle strutture metallorganiche è lunga oltre vent’anni, arco di tempo che ha visto la pubblicazione di migliaia di possibili strutture, contenute in un sistema informativo centralizzato che ne vanta un numero come 10.000. Un set di dati molto corposo dal quale poter attingere, dunque. Eppure – spiega il team di studio – poco sistematico e denso di dati eterogenei. Motivo per cui si è a deciso di analizzare, mediante un algoritmo di elaborazione del linguaggio naturale – o Natural Language Processing (NLP) – quasi 4.000 articoli che trattano dei Metal Organic Frameworks già progettati e delle proprietà di volta in volta rilevate in essi, estraendo – più nel dettaglio – «informazioni sulla temperatura alla quale un dato MOF si rompe e dati sulla loro resistenza ai solventi che vengono utilizzati per sintetizzarli e renderli porosi».

Due reti neurali artificiali per prevedere la stabilità dei Metal Organic Frameworks

In tema di intelligenza artificiale per la chimica computazionale, estratte queste informazioni in modo automatico dagli oltre 4mila testi che trattano di MOFs, le stesse sono state adoperate per allenare due reti neurali artificiali alla base di due modelli di machine learning, il cui compito è quello di fare previsioni circa la stabilità termica dei MOFs, nonché la loro stabilità durante la rimozione dei solventi normalmente usati per rendere le loro strutture porose, come si è detto.

In generale, nella lavorazione dei materiali e nel loro ridimensionamento finalizzato a diverse tipologie di applicazioni, la predittività assume un ruolo strategico, volto a stimare se i materiali in questione reggeranno oppure se si degraderanno. La loro stabilità è data da questi due opposti e dai relativi parametri.

Nel caso specifico dei MOFs, i modelli di machine learning messi a punto hanno aiutato i ricercatori a prevedere quelle caratteristiche che concorrono a renderle strutture stabili, tra cui le molecole organiche (linker) più semplici, ovvero con un minor numero di gruppi chimici ad esse collegati. Ma anche la dimensione dei pori è un aspetto focale nel determinare la stabilità delle strutture metallorganiche. A tale riguardo, tra le ipotesi di partenza esplicitate all’inizio dei lavori, quella per cui i MOFs maggiormente instabili sono quelli con i pori più grandi. Ipotesi smentita dall’analisi predittiva, che ha, invece, portato alla scoperta per cui «i MOFs a pori grandi possono dare vita a una struttura stabile se, però, altri suoi aspetti contrastano le grandi dimensioni, controbilanciandole».

Schema a blocchi, esemplificativo della metodologia adottata dai chimici computazionali del MIT, che ha visto l’impiego di un algoritmo NLP per l’analisi della letteratura in tema di Metal Organic Frameworks già progettati (a sinistra), le cui informazioni hanno costituito i training data di due modelli di machine learning (al centro) per previsioni circa la stabilità termica dei MOFs, nonché la loro stabilità durante la rimozione dei solventi per rendere le loro strutture porose (a destra). (Fonte: “Using machine learning and data mining to leverage community knowledge for the engineering of stable Metal–Organic Frameworks” - Massachusetts Institute of Technology - https://pubs.acs.org/doi/full/10.1021/jacs.1c07217)
Schema esemplificativo della metodologia adottata dai chimici computazionali del MIT, che ha visto l’impiego di un algoritmo NLP per l’analisi della letteratura in tema di Metal Organic Frameworks già progettati (a sinistra), le cui informazioni hanno costituito i training data di due modelli di machine learning (al centro) per previsioni circa la stabilità termica dei MOFs, nonché la loro stabilità durante la rimozione dei solventi per rendere le loro strutture porose (a destra). (Fonte: “Using machine learning and data mining to leverage community knowledge for the engineering of stable Metal–Organic Frameworks” – Massachusetts Institute of Technology – https://pubs.acs.org/doi/pdf/10.1021/jacs.1c07217)

Intelligenza artificiale per la chimica computazionale: focus sul training data set

In tema di intelligenza artificiale per la chimica computazionale, i modelli di machine learning sono stati addestrati in maniera tale che possano classificare in modo del tutto indipendente la stabilità delle strutture metallorganiche rispetto alla rimozione del solvente e prevedere la temperatura di decomposizione termica.

I dati utilizzati per l’addestramento e i modelli ML sviluppati sono stati resi disponibili in rete dai ricercatori del MIT, affinché chi è interessato li possa utilizzare per nuove ricerche nell’ambito dell’ingegneria chimica, dando eventualmente riscontro degli esiti ottenuti e andando a incorporare i dati rilevati circa le previsioni dei modelli. Il che va letto anche in ottica di miglioramento della qualità e di revisione del set di dati utilizzato: il fatto di renderlo pubblico, lo espone a una lettura critica da parte di quegli scienziati che vorranno attingervi.

Trattandosi di dati ricavati dalla letteratura disponibile sul tema (quasi 4.000 articoli in un arco di tempo dilatato), qualità e precisione rappresentano i loro punti deboli, con la preoccupazione – da parte del gruppo di studio – che eventuali errori riportati nei testi possano influenzare i modelli ML sviluppati.

L’interfaccia Web utilizzata per la condivisione supporta anche il caricamento di nuovi MOFs non presenti nel set di dati originale, consentendo ai ricercatori di individuare sia le loro reali proprietà che quelle previste dal sistema AI.

Verso la conversione del gas metano in metanolo

Dopo la prima fase dello studio in tema di intelligenza artificiale per la chimica computazionale, che ha portato i sistemi AI a identificare quelle caratteristiche che concorrono a rendere i Metal Organic Frameworks strutture intrinsecamente stabili, ora il team di chimici computazionali del MIT si sta avvalendo degli stessi strumenti predittivi «per cercare di identificare – nello specifico – i MOFs da utilizzare per catalizzare la conversione del gas metano in metanolo, da impiegare come combustibile». Combustibile – ricordiamo – più sicuro e facile da trasportare.

Nel dettaglio, nel determinare la stabilità del MOF in fase di rimozione del solvente e la sua stabilità termica a partire dall’esame della chimica delle sue molecole organiche (linker), l’analisi predittiva ha evidenziato «i ruoli distinti della connettività del linker, tra cui la presenza di gruppi funzionali flessibili».

Inoltre, i linker che correlano il metallo agli atomi di ossigeno sono risultati molto più stabili dei linker che correlano l’azoto e, dunque, da preferire per applicazioni catalitiche, ossia per la conversione del gas metano in metanolo

Infine, i modelli predittivi messi a punto sono serviti da strumenti per identificare strategie finalizzate alla progettazione di strutture MOFs più stabili. Ad esempio, per quei Metal Organic Frameworks contenenti metalli idonei alla catalisi, ma spesso instabili sotto il profilo termico, sono state individuate modifiche chimiche da apportare alle molecole organiche (linker), proprio per aumentarne la stabilità termica necessaria per le applicazioni catalitiche.

Default image
Paola Cozzi

Giornalista dal solido background acquisito lavorando presso i più prestigiosi Editori italiani | Ventidue anni di esperienza nello sviluppo di prodotti editoriali b2b, cartacei e digitali | Vent'anni alla direzione di una testata b2b in tema di Sicurezza anticrimine di tipo fisico | Attualmente si dedica al Giornalismo Digitale ed esplora nuove tecniche e nuovi stili di comunicazione

Articles: 241

Newsletter Updates

Inserisci il tuo indirizzo email qui sotto per iscriverti alla nostra newsletter