Descubrimiento de las relaciones estructura-conductividad en membranas de intercambio aniónico (AEM) mediante...

Sus antecedentes:

• Las membranas de intercambio aniónico (AEM) son componentes críticos en dispositivos de conversión de energía electroquímica como pilas de combustible y electrolizadores de agua.
• La compleja relación entre la estructura de la AEM y la conductividad iónica dificulta el descubrimiento y la optimización eficientes de materiales.
• Se necesitan enfoques basados en datos para acelerar el diseño de AEM avanzadas.

Objetivo del estudio:

• Desarrollar y aplicar un marco de aprendizaje automático para predecir e interpretar la conductividad iónica en AEM.
• Identificar los descriptores clave que rigen la conductividad iónica utilizando modelos de aprendizaje automático basados en descriptores y basados en grafos.
• Acelerar el diseño basado en datos de AEM de alto rendimiento.

Principales métodos:

• Se utilizó un marco de aprendizaje automático que combina redes neuronales de grafos condicionales (cGNN), modelos basados en descriptores y un conjunto de autoencoder-regresor de grafos híbrido (HGARE).
• Se empleó el análisis de componentes principales (PCA), estudios de ablación y análisis SHAP para la identificación de descriptores en el pipeline basado en descriptores.
• Se aplicó la reducción de dimensionalidad (t-SNE, SOM) y el agrupamiento (KMeans) para el análisis de membranas, junto con redes de convolución de grafos (GCN) y HGARE para el modelado predictivo.

Principales resultados:

• El análisis basado en descriptores identificó factores electrónicos, topológicos y composicionales como cruciales para la conductividad aniónica.
• La reducción de dimensionalidad y el agrupamiento revelaron distintos grupos de membranas, algunas de las cuales exhiben alta conductividad iónica.
• El modelo HGARE logró la mayor precisión predictiva para la conductividad iónica, superando a otros métodos basados en grafos como GCN.
• Los mapas de saliency a nivel de átomo de GCN destacaron la importancia de las regiones polarizables y flexibles para la conductividad.

Conclusiones:

• El marco de aprendizaje automático desarrollado predice e interpreta eficazmente la conductividad iónica en AEM.
• Se identificaron descriptores clave de materiales que influyen en la conductividad, lo que guía el futuro diseño de AEM.
• Este trabajo demuestra un avance significativo en el descubrimiento acelerado y basado en datos de AEM de alto rendimiento para aplicaciones energéticas.