Estrazione dei giusti metalli di transizione in uno spazio chimico vasto.

Extracting the right transition metals in a large chemical space.

I chimici computazionali progettano modi migliori per scoprire e progettare materiali per applicazioni energetiche.

Per ottenere guadagni significativi e rapidi contro il cambiamento climatico, è necessario creare materiali nuovi, ecologici ed efficienti dal punto di vista energetico. Uno dei campi più ricchi in cui i ricercatori sperano di fare progressi per creare questi composti utili è costituito da una vasta gamma di combinazioni molecolari, che aspettano di essere scoperte, offrendo proprietà ottiche, conduttive, magnetiche e di trasferimento di calore notevoli.

Ma la scoperta di questi nuovi materiali procede lentamente.

• Dettagliate immagini dallo spazio offrono una visione più chiara degli effetti della siccità sulle piante.
• Sistema di iniezione batterica fornisce proteine in topi e cellule umane.
• Accelerare la scoperta di nuovi farmaci con modelli generativi di diffusione.

“Anche se la modellizzazione computazionale ci ha permesso di scoprire e prevedere le proprietà di nuovi materiali molto più velocemente rispetto all’esperimento, questi modelli non sono sempre affidabili”, afferma Heather J. Kulik, PhD ’09, professore associato nei dipartimenti di Ingegneria Chimica e Chimica. “Per accelerare la scoperta computazionale di materiali, abbiamo bisogno di metodi migliori per rimuovere l’incertezza e rendere le nostre previsioni più accurate.”

Un team del laboratorio di Kulik si è dedicato a risolvere queste sfide con un team che include Chenru Duan, PhD ’22.

Uno strumento per costruire la fiducia

Kulik e il suo gruppo si concentrano sui complessi di metalli di transizione, molecole composte da metalli che si trovano nel mezzo della tavola periodica e sono circondati da leganti organici. Questi complessi possono essere estremamente reattivi, il che gli conferisce un ruolo centrale nella catalisi di processi naturali e industriali. Alterando i componenti organici e metallici in queste molecole, gli scienziati possono generare materiali con proprietà che possono migliorare applicazioni come la fotosintesi artificiale, l’assorbimento e la conservazione dell’energia solare, gli OLEDS ad alta efficienza (diodi emettitori di luce organici) e la miniaturizzazione dei dispositivi.

“La caratterizzazione di questi complessi e la scoperta di nuovi materiali avviene attualmente lentamente, spesso guidata dall’intuizione del ricercatore”, afferma Kulik. “E il processo comporta dei compromessi: si può trovare un materiale che ha buone proprietà di emissione di luce, ma il metallo al centro può essere qualcosa come l’iridio, che è estremamente raro e tossico.”

I ricercatori che cercano di identificare i complessi di metalli di transizione non tossici e abbondanti sulla terra con proprietà utili tendono a perseguire un insieme limitato di caratteristiche, con solo una modesta garanzia di essere sulla giusta strada. “Le persone continuano a iterare su un particolare legante e si bloccano in aree locali di opportunità, invece di condurre una scoperta su larga scala”, afferma Kulik.

Per affrontare queste inefficienze di screening, il team di Kulik ha sviluppato un nuovo approccio: un “recommender” basato sull’apprendimento automatico che consente ai ricercatori di conoscere il modello ottimale per perseguire la loro ricerca. La descrizione di questo strumento è stata pubblicata su Nature Computational Science a dicembre.

“Questo metodo è migliore di tutti gli approcci precedenti e può indicare alle persone quando utilizzare i metodi e quando saranno affidabili”, afferma Kulik.

Il team, guidato da Duan, ha iniziato a indagare sui modi per migliorare l’approccio di screening convenzionale, la teoria funzionale della densità (DFT), che si basa sulla meccanica quantistica computazionale. Ha sviluppato una piattaforma di apprendimento automatico per determinare quanto accurati fossero i modelli di funzioni di densità in previsione della struttura e del comportamento delle molecole di metalli di transizione.

“Questo strumento ha imparato quali funzioni di densità erano le più affidabili per complessi materiali specifici”, afferma Kulik. “Abbiamo verificato ciò testando lo strumento su materiali che non aveva mai incontrato prima, dove ha scelto effettivamente le funzioni di densità più accurate per la previsione delle proprietà del materiale”.

Una svolta critica per il team è stata la sua decisione di utilizzare la densità degli elettroni, una proprietà quantomeccanica fondamentale degli atomi, come input per l’apprendimento automatico. Questo identificatore unico, insieme all’uso di un modello di rete neurale per eseguire la mappatura, crea un aiuto potente ed efficiente per i ricercatori che vogliono determinare se stanno utilizzando la funzione di densità appropriata per caratterizzare il loro complesso di metalli di transizione target. “Un calcolo che richiederebbe giorni o settimane, il che rende lo screening computazionale quasi impossibile, può invece richiedere solo poche ore per produrre un risultato affidabile”.

Kulik ha incorporato questo strumento in molSimplify, un codice open source sul sito web del laboratorio, consentendo ai ricercatori di tutto il mondo di prevedere le proprietà e modellare i complessi di metalli di transizione.

Ottimizzazione per molteplici proprietà

In un’altra direzione di ricerca, che hanno presentato in una pubblicazione recente in JACS Au, il gruppo di Kulik ha dimostrato un approccio per individuare rapidamente i complessi di metalli di transizione con proprietà specifiche in una vasta gamma di composti chimici.

Il loro lavoro è nato da un articolo del 2021 che ha dimostrato che l’accordo sulle proprietà di una molecola target tra un gruppo di diverse funzioni di densità riduce significativamente l’incertezza delle previsioni di un modello.

Il team di Kulik ha sfruttato questa conoscenza dimostrando, per la prima volta, l’ottimizzazione multi-oggetto. Nel loro studio, hanno identificato con successo molecole facili da sintetizzare, con proprietà significative di assorbimento della luce, utilizzando metalli abbondanti sulla terra. Hanno cercato 32 milioni di materiali candidati, uno degli spazi più ampi mai esplorati per questa applicazione. “Abbiamo smontato i complessi che si trovano già in materiali noti sintetizzati sperimentalmente e li abbiamo ricombinati in nuovi modi, il che ci ha permesso di mantenere un certo realismo sintetico”, afferma Kulik.

Dopo aver raccolto i risultati DFT su 100 composti in questo vasto dominio chimico, il gruppo ha addestrato modelli di apprendimento automatico per fare previsioni sull’intero spazio di 32 milioni di composti, con l’obiettivo di raggiungere i loro specifici obiettivi di progettazione. Hanno ripetuto questo processo generazione dopo generazione per scremare i composti con le proprietà esplicite che desideravano.

“Alla fine abbiamo trovato nove dei composti più promettenti, e abbiamo scoperto che i composti specifici che abbiamo scelto attraverso l’apprendimento automatico contenevano pezzi (ligandi) che erano stati sintetizzati sperimentalmente per altre applicazioni che richiedevano proprietà ottiche, con spettri di assorbimento della luce favorevoli”, dice Kulik.

Applicazioni con impatto

Mentre l’obiettivo principale di Kulik consiste nell’affrontare le limitazioni della modellizzazione computazionale, il suo laboratorio sta sfruttando appieno i propri strumenti per semplificare la scoperta e la progettazione di nuovi materiali potenzialmente impattanti.

In un esempio notevole, “Stiamo lavorando attivamente all’ottimizzazione di strutture metal-organiche per la conversione diretta di metano in metanolo”, dice Kulik. “Questa è una reazione ambita da decenni, ma che non siamo stati in grado di catalizzare in modo efficiente.”

La possibilità di un percorso veloce per trasformare un gas serra molto potente in un liquido facilmente trasportabile e che potrebbe essere utilizzato come carburante o come prodotto chimico ad alto valore aggiunto ha un grande appeal per Kulik. “Rappresenta una di quelle sfide dell’ago nel pagliaio che l’ottimizzazione multi-obiettivo e la selezione di milioni di catalizzatori candidati sono ben posizionate per risolvere, una sfida eccezionale che è esistita per tanto tempo”.