La inteligencia artificial ya permite buscar nuevos catalizadores a una velocidad difícil de alcanzar con los métodos tradicionales.
AdsorbML es una herramienta de inteligencia artificial y aprendizaje automático (machine learning) diseñada para acelerar el descubrimiento de materiales y catalizadores acelerando unas 2.000 veces la búsqueda de configuraciones de adsorción y encuentra la de menor energía en el 87,36 % de los casos.
Además la disposición de OC20 (Open Catalyst 2020), gran base de datos científica de acceso abierto creada para entrenar y evaluar modelos de inteligencia artificial aplicados al descubrimiento de catalizadores ayuda enormemente a este desarrollo.
OC20 reúne 1,28 millones de cálculos DFT, cálculos basados en la teoría del funcional de la densidad que permiten estimar mediante mecánica cuántica las energías y propiedades electrónicas de los materiales.
El problema aparece al convertir una buena predicción digital en un catalizador que funcione realmente. La validación experimental, la estabilidad durante largos periodos y el salto hacia reactores y plantas avanzan bastante más despacio. Los laboratorios autónomos intentan reducir esa distancia combinando IA, síntesis automatizada y ensayos de alto rendimiento.
Una campaña de experimentación dedicada a transformar CO₂ en metanol exploró combinaciones de seis metales, un promotor y cuatro soportes durante unas cinco semanas.
La principal barrera empieza así a desplazarse: la IA encuentra candidatos cada vez más rápido, pero comprobarlos, fabricarlos y llevarlos hasta un proceso industrial sigue requiriendo mucho más esfuerzo.
Es un camino, donde se han dado ya bastantes pasos
La IA acelera la catálisis 2.000 veces, pero el reactor sigue siendo el cuello de botella
La inteligencia artificial ya permite buscar nuevos catalizadores a una velocidad difícil de alcanzar con los métodos tradicionales. AdsorbML, por ejemplo, acelera unas 2.000 veces la búsqueda de configuraciones de adsorción y encuentra la de menor energía en el 87,36 % de los casos. Además, OC20 reúne 1,28 millones de cálculos DFT, cálculos basados en la teoría del funcional de la densidad que permiten estimar mediante mecánica cuántica las energías y propiedades electrónicas de los materiales.
El problema aparece al convertir una buena predicción digital en un catalizador que funcione realmente. La validación experimental, la estabilidad durante largos periodos y el salto hacia reactores y plantas avanzan bastante más despacio. Los laboratorios autónomos intentan reducir esa distancia combinando IA, síntesis automatizada y ensayos de alto rendimiento.
Una campaña dedicada a transformar CO₂ en metanol exploró combinaciones de seis metales, un promotor y cuatro soportes durante unas cinco semanas. La principal barrera empieza así a desplazarse: la IA encuentra candidatos cada vez más rápido, pero comprobarlos, fabricarlos y llevarlos hasta un proceso industrial sigue requiriendo mucho más esfuerzo.
La evolución del aprendizaje automático aplicado a catálisis heterogénea durante 2017-2026 presenta un patrón muy desigual. La estructura electrónica y la química superficial concentran los mayores avances. Transporte, cinética, reactor y planta avanzan mucho más lentamente. La diferencia guarda relación directa con la disponibilidad de datos. Los cálculos atómicos proporcionan grandes conjuntos estandarizados, mientras cada experimento o ensayo piloto exige más tiempo y recursos.
Open Catalyst 2020 (OC20) es un gran conjunto de datos computacionales creado para entrenar y comparar modelos de aprendizaje automático aplicados a catálisis heterogénea. Reúne aproximadamente 1,28 millones de relajaciones calculadas mediante DFT, que describen cómo diferentes moléculas adsorbidas y superficies catalíticas buscan configuraciones energéticamente estables
Esta infraestructura permitió desarrollar redes neuronales de grafos capaces de predecir energías de adsorción y fuerzas. Los errores de fuerza llegaron al orden de 15 meV/Å frente a la referencia DFT. Esa precisión conserva, sin embargo, las incertidumbres propias del cálculo DFT utilizado como referencia.
La aceleración computacional resulta especialmente significativa. AdsorbML es un método basado en aprendizaje automático diseñado para encontrar cómo y dónde se adsorbe una molécula sobre la superficie de un catalizador, buscando las configuraciones de menor energía.
Su interés está en el coste computacional. En lugar de realizar con DFT todas las relajaciones posibles, AdsorbML usa modelos de IA para examinar rápidamente muchas configuraciones y reserva los cálculos DFT más costosos para los candidatos más prometedores. En los resultados comentados, alcanza aproximadamen
AdsorbML permite localizar configuraciones de adsorción de baja energía con costes muy inferiores al cálculo convencional. Una configuración equilibrada alcanza aproximadamente 2.000 veces de aceleración y localiza la configuración de menor energía el 87,36 % de las ocasiones. OC20-Dense contiene cerca de 1.000 superficies y unas 100.000 configuraciones. Estas prestaciones reducen drásticamente el coste del cribado computacional.
Los potenciales interatómicos de aprendizaje automático amplían ese alcance. Permiten tratar superficies de energía potencial completas, estructuras dinámicas, estados de transición y redes de reacción. CHGNet fue preentrenado con más de 1,5 millones de estructuras inorgánicas. Otros esquemas reactivos han permitido simular alrededor de 900 átomos durante escalas temporales de nanosegundos. La capacidad computacional ha crecido mucho más deprisa que la validación experimental equivalente.
Los modelos universales todavía presentan limitaciones importantes. Las superficies catalíticas reales pueden contener defectos, reconstrucciones y configuraciones alejadas del equilibrio. Algunos potenciales universales infravaloran sistemáticamente energías y fuerzas bajo esas condiciones. Este efecto de ablandamiento aconseja ajustes específicos antes de aplicar esos modelos a superficies catalíticas reales. La elevada precisión lograda frente a estructuras próximas al equilibrio no garantiza igual fiabilidad bajo condiciones de reacción.
El aprendizaje activo permitió avanzar desde el cribado hacia candidatos concretos. Un flujo automatizado dedicado a superficies intermetálicas propuso alrededor de 131 superficies para evolución de hidrógeno y 285 para reducción de CO₂. Otro desarrollo identificó un catalizador Cu-Al para reducción de CO₂, con elevada eficiencia faradaica hacia etileno posteriormente confirmada experimentalmente. Casos similares siguen siendo relativamente escasos frente al volumen de predicciones computacionales.
La automatización experimental representa el cambio más relevante del periodo reciente. La optimización bayesiana puede seleccionar cada nuevo experimento mediante los resultados anteriores. Su combinación con síntesis automatizada y evaluación de alto rendimiento crea ciclos cerrados capaces de aprender mientras experimentan. Una campaña dedicada a hidrogenación de CO₂ a metanol exploró combinaciones de seis metales, un promotor y cuatro soportes. Conversión, selectividad y coste mejoraron durante unas cinco semanas.
La automatización también ha penetrado la electrocatalisis. Una plataforma autónoma sintetizó y probó más de 500 hidróxidos multimetálicos sin metales del grupo del platino para la reacción de evolución de oxígeno. Entre las composiciones descubiertas aparecieron sistemas Ni-Fe-Cr-Co con sobrepotenciales de hasta 231 mV. Estos resultados demuestran capacidad para recorrer espacios multicomponente que resultarían difíciles de explorar mediante secuencias experimentales convencionales.
Los modelos generativos añaden otra posibilidad: crear candidatos, no limitarse a seleccionar materiales existentes. Autoencoders variacionales, redes generativas, modelos de difusión y transformadores pueden proponer composiciones o estructuras condicionadas por propiedades deseadas. Una aplicación utilizó difusión para diseñar catalizadores bimetálicos dirigidos a descomposición de amoniaco. Otra combinó optimización bayesiana y aprendizaje de representaciones para reducir aproximadamente un orden de magnitud los cálculos DFT necesarios durante la exploración de composiciones para reducción de CO₂.
Los grandes modelos de lenguaje ocupan una capa distinta. Pueden extraer conocimiento químico desde literatura no estructurada, intervenir durante el cribado y coordinar herramientas experimentales. Una aplicación utilizó un modelo congelado como sustituto dentro de una optimización bayesiana. El sistema identificó catalizadores próximos al óptimo para la reacción inversa de desplazamiento de gas de agua tras seis iteraciones sobre un conjunto de 3.700 candidatos.
Su fiabilidad todavía impone límites. Estos modelos pueden producir química "posible" pero falsa, dependen del planteamiento del prompt y carecen de fundamentación física intrínseca. Además, los datos extraídos desde literatura científica pueden transmitir errores y sesgos hacia resultados positivos. Reproducibilidad, incertidumbre calibrada y restricciones físicas explícitas siguen pendientes antes de una autonomía experimental más amplia.
El mayor desfase aparece cerca de la aplicación industrial. Transporte a escala de partícula, microcinética, reactor y proceso disponen de menos datos y dependen fuertemente de modelos físicos establecidos. El aprendizaje automático participa sobre todo mediante modelos híbridos, sustitutos neuronales y gemelos digitales. Un gemelo digital aplicado a producción de hidrógeno a partir de biogás siguió el rendimiento de hidrógeno con una desviación aproximada del 2 %.
La estabilidad constituye otro vacío importante. Actividad y selectividad reciben mucha más atención que vida útil, desactivación y regeneración. La obtención de esos datos exige mediciones longitudinales costosas. Coquización, sinterización, lixiviación y transformaciones de fase requieren caracterización operando durante periodos prolongados. Sin esas series temporales, la predicción del comportamiento industrial permanece mucho menos desarrollada que la predicción atómica.
La evaluación de capacidades utiliza siete etapas físicas y dos capas transversales. Cada una se valora mediante cuatro criterios: base de datos, madurez metodológica, validación experimental y preparación para despliegue. Una base de datos madura exige más de unas 100.000 entradas abiertas y estandarizadas junto con un benchmark comunitario. La preparación madura para despliegue requiere uso piloto o industrial con TRL igual o superior a 6.

No hay comentarios:
Publicar un comentario