El lenguaje de aprendizaje automático para el espacio químico de los nanoporos permite relaciones...

Área de la Ciencia:

• Ciencias de los materiales
• Nanotecnología
• Química computacional

Sus antecedentes:

• Los materiales nanoporosos bidimensionales (2D) ofrecen aplicaciones revolucionarias en las separaciones y la energía.
• La comprensión de las relaciones estructura-propiedad se ve obstaculizada por la gran cantidad de configuraciones de nanoporos.
• Los métodos actuales para analizar la geometría de los nanoporos son computacionalmente intensivos.

Objetivo del estudio:

• Desarrollar una representación de aprendizaje automático para los nanoporos en materiales 2D.
• Establecer modelos predictivos para la formación de nanoporos y las propiedades de transporte de gases.
• Acelerar el descubrimiento y diseño de nuevos materiales nanoporosos.

Principales métodos:

• Introducción al lenguaje de representación de cadenas de la geometría de nanoporos (STRONG) para nanoporos.
• Aplicación de redes neuronales recurrentes para predecir las energías de formación de nanoporos y las barreras de transporte.
• Exploración sistemática del espacio químico para los nanoporos funcionalizados utilizando STRONG.

Principales resultados:

• STRONG permite una predicción precisa de la formación de nanoporos y el transporte de gases (CO2, N2, O2).
• Los modelos de aprendizaje automático identificaron topologías específicas de nanoporos para separaciones selectivas de gases.
• Se identificó la funcionalización óptima de hidrógeno y quinona para nanoporos estables de grafeno.
• El enfoque STRONG es ~ 1000 veces más rápido que la teoría de grafos para el análisis de la forma de los nanoporos.

Conclusiones:

• El lenguaje STRONG proporciona una herramienta poderosa para la informática de nanoporos 2D.
• Este enfoque acelera el descubrimiento de materiales nanoporosos a medida para diversas aplicaciones.
• Facilita la búsqueda y el diseño sistemáticos de materiales 2D nanoporosos funcionalizados.