La IA intenta una ruta distinta hacia mejores catalizadores de hidrógeno

Un equipo de investigación del Institute for Basic Science afirma haber desarrollado un marco de inteligencia artificial diseñado para buscar candidatos a catalizadores combinando conocimientos de familias de materiales que normalmente se estudian por separado. El trabajo apunta a uno de los principales cuellos de botella de la producción de hidrógeno verde: la reacción de evolución de oxígeno, la mitad de la electrólisis del agua que más energía consume.

La afirmación básica no es que la IA simplemente esté acelerando un flujo de trabajo de cribado ya existente. Más bien, los investigadores sostienen que el modelo puede trasladar información entre categorías de catalizadores que normalmente se tratan como dominios separados. En su estudio, el sistema aprendió de catalizadores de átomo único soportados en carbono y de catalizadores de óxido perovskita, y luego utilizó esos patrones para predecir el comportamiento de una tercera clase: catalizadores de átomo único soportados en óxidos perovskita.

Ese salto entre familias es el avance clave. El descubrimiento de catalizadores a menudo ha quedado limitado por las fronteras de una sola clase de material, con catalizadores de óxido optimizados frente a otros óxidos y catalizadores de átomo único comparados con estructuras similares. El equipo del IBS dice que esa separación puede dejar sin aprovechar mejoras de rendimiento, especialmente si el diseño más eficaz es un híbrido que toma prestados puntos fuertes de más de una familia.

Por qué importa la reacción de oxígeno

En la electrólisis del agua, la producción de hidrógeno depende de algo más que separar moléculas en teoría. La reacción de evolución de oxígeno es lenta y requiere energía adicional, lo que eleva el coste de producir hidrógeno sin emisiones directas de carbono. Mejores catalizadores podrían reducir esa penalización al disminuir el sobrepotencial y mejorar la eficiencia.

Los investigadores dicen que su modelo fue diseñado para predecir la actividad catalítica de la reacción de evolución de oxígeno en medio alcalino aprendiendo dos tipos distintos de información estructural al mismo tiempo. La disposición atómica de la superficie se trató como información de imagen, mientras que la estructura del óxido a granel se representó como información de grafo. Al emparejar esas dos perspectivas, el sistema intentó conectar las reglas de diseño de superficie de los catalizadores de átomo único con las reglas estructurales de los óxidos perovskita.

El resultado, según el resumen del estudio, es un marco de aprendizaje automático que puede sugerir candidatos prometedores fuera de las familias de materiales con las que fue entrenado directamente. Eso importa porque gran parte del campo todavía depende de buscar dentro de categorías conocidas en lugar de hacerlo entre ellas.

Qué cambió en este enfoque

La implicación más fuerte del artículo es metodológica. Si el modelo es sólido, sugiere que la investigación de catalizadores no necesita permanecer encerrada en linajes químicos estrechos. En su lugar, los investigadores podrían usar la IA para identificar combinaciones que especialistas humanos podrían pasar por alto cuando su experiencia está organizada en torno a tradiciones de catalizadores separadas.

Eso no significa automáticamente que un avance comercial sea inminente. El material de origen respalda una conclusión más limitada: el marco ofrece una nueva forma de descubrir candidatos a catalizadores para sistemas de hidrógeno verde. Es un cambio en la estrategia de búsqueda, no una afirmación de que el problema del coste del hidrógeno ya se haya resuelto.

Aun así, la dirección es notable. El hidrógeno lleva mucho tiempo enfrentando una tensión conocida. Es atractivo como combustible industrial y medio de almacenamiento cuando se produce de forma limpia, pero la eficiencia y el coste de la electrólisis siguen siendo grandes obstáculos. Cualquier herramienta que mejore la tasa de acierto en nuevos diseños de catalizadores podría importar mucho más allá del laboratorio, especialmente si ayuda a reducir el tiempo entre la teoría, el cribado y la validación experimental.

Una señal más amplia para la ciencia de materiales

El estudio también encaja en una tendencia más amplia de la investigación avanzada en materiales, donde la IA se utiliza cada vez más no solo para clasificar candidatos conocidos, sino para conectar bases de conocimiento fragmentadas. En este caso, el equipo presenta la IA como un puente entre fronteras de catalizadores más que como un clasificador más rápido dentro de una sola categoría.

Para el hidrógeno verde, esa distinción es importante. Algunas de las mejoras más difíciles pueden venir de combinaciones que son químicamente plausibles pero institucionalmente fáciles de pasar por alto porque se sitúan entre especialidades establecidas. Al tratar distintas familias de catalizadores como fuentes de conocimiento transferible, los investigadores del IBS sostienen que el próximo material útil puede surgir de la superposición y no de la optimización dentro de una sola clase.

El artículo, publicado en Nature Materials según el informe de origen, no promete un salto industrial de la noche a la mañana. Lo que sí ofrece es una forma más ambiciosa de buscar: enseñar a un modelo lo que cada sistema catalítico separado hace bien y luego pedirle que infiera lo que podría lograr un nuevo sistema híbrido. En un campo en el que mejoras incrementales en la eficiencia pueden tener efectos económicos desproporcionados, ese es un desarrollo significativo.

Este artículo se basa en la cobertura de Phys.org. Leer el artículo original.

Originally published on phys.org