DiffSyn: un enfoque de difusión generativa para la planificación de la síntesis de materiales | JoVE Visualize

Área de la Ciencia:

Ciencia de materiales
Ingeniería química
Química computacional

Sus antecedentes:

La síntesis de materiales cristalinos como las zeolitas es un desafío debido a las complejas relaciones entre estructura y síntesis y a los vastos espacios experimentales.
Los métodos existentes luchan por navegar por el paisaje de síntesis de alta dimensionalidad y predecir condiciones óptimas de manera eficiente.

Objetivo del estudio:

Desarrollar un modelo computacional avanzado, DiffSyn, para predecir y optimizar las vías de síntesis de zeolitas.
Aprovechar un gran conjunto de datos de recetas de síntesis para entrenar un modelo de difusión generativa.
Demostrar la capacidad del modelo para descubrir y sintetizar nuevos materiales cristalinos.

Principales métodos:

Se desarrolló DiffSyn, un modelo de difusión generativa entrenado con más de 23.000 recetas de síntesis de zeolitas de 50 años de literatura.
Se condicionó el modelo con estructuras de zeolita deseadas y plantillas orgánicas para generar rutas de síntesis probables.
Se utilizó la teoría de la funcional de la densidad (DFT) para racionalizar las rutas de síntesis predichas mediante cálculos de energía de enlace.

Principales resultados:

DiffSyn logró un rendimiento de vanguardia al modelar eficazmente las relaciones multimodales entre estructura y síntesis.
El modelo diferenció con éxito entre fases competidoras y propuso rutas de síntesis óptimas.
Se sintetizó un material UFI utilizando rutas generadas por DiffSyn, lo que arrojó una alta relación Si/Al de 19.0, lo que indica una mayor estabilidad térmica.

Conclusiones:

DiffSyn ofrece un potente enfoque computacional para acelerar el descubrimiento y la síntesis de materiales cristalinos.
La capacidad del modelo para predecir rutas de síntesis basadas en estructuras y plantillas deseadas reduce significativamente el ensayo y error experimental.
La síntesis exitosa del material UFI valida la precisión predictiva de DiffSyn y su potencial para avanzar en la ciencia de materiales.