El método combina la mecánica cuántica con el aprendizaje automático para predecir con precisión las reacciones de los óxidos a altas temperaturas cuando no se dispone de datos experimentales; podría utilizarse para diseñar procesos limpios y neutros en carbono para la producción de acero y el reciclaje de metales – ScienceDaily

La extracción de metales de los óxidos a altas temperaturas es esencial no solo para producir metales como el acero, sino también para el reciclaje. Debido a que los procesos de extracción actuales son muy intensivos en carbono y emiten grandes cantidades de gases de efecto invernadero, los investigadores han estado explorando nuevos enfoques para desarrollar procesos «más ecológicos». Este trabajo ha sido especialmente difícil de realizar en el laboratorio porque requiere reactores costosos. La construcción y ejecución de simulaciones por computadora sería una alternativa, pero actualmente no existe un método computacional que pueda predecir con precisión las reacciones de los óxidos a altas temperaturas cuando no hay datos experimentales disponibles.

Un equipo de ingeniería de Columbia informa que ha desarrollado una nueva técnica de cálculo que, mediante la combinación de la mecánica cuántica y el aprendizaje automático, puede predecir con precisión la temperatura de reducción de los óxidos metálicos a sus metales base. Su enfoque es computacionalmente tan eficiente como los cálculos convencionales a temperatura cero y, en sus pruebas, más preciso que las simulaciones computacionalmente exigentes de los efectos de la temperatura utilizando métodos de química cuántica. El estudio, dirigido por Alexander Urban, profesor asistente de ingeniería química, es publicado hoy por Comunicaciones sobre la naturaleza lo antes posible.

«La descarbonización de la industria química es fundamental si queremos hacer la transición a un futuro más sostenible, pero desarrollar alternativas para los procesos industriales establecidos es muy costoso y requiere mucho tiempo», dijo Urban. «Un diseño de proceso computacional de abajo hacia arriba que no requiera entrada experimental inicial sería una alternativa atractiva, pero hasta ahora no se ha realizado. Este nuevo estudio es, hasta donde sabemos, la primera vez que un enfoque híbrido, que combina cálculos computacionales con Se ha intentado la IA para esta aplicación. Y es la primera demostración de que los cálculos basados ​​en la mecánica cuántica se pueden utilizar para el diseño de procesos de alta temperatura «.

Los investigadores sabían que, a temperaturas muy bajas, los cálculos basados ​​en la mecánica cuántica pueden predecir con precisión la energía que las reacciones químicas requieren o liberan. Aumentaron esta teoría de temperatura cero con un modelo de aprendizaje automático que aprendió la dependencia de la temperatura a partir de mediciones de alta temperatura disponibles públicamente. Diseñaron su enfoque, que se centró en extraer metal a altas temperaturas, para predecir también el cambio de la «energía libre» con la temperatura, ya sea alta o baja.


Recomendado: ¿Qué es el Big data?.


«La energía libre es una cantidad clave de termodinámica y otras cantidades dependientes de la temperatura pueden, en principio, derivarse de ella», dijo José A. Garrido Torres, primer autor del artículo que fue becario postdoctoral en el laboratorio de Urban y ahora es investigador. científico en Princeton. «Por lo tanto, esperamos que nuestro enfoque también sea útil para predecir, por ejemplo, las temperaturas de fusión y las solubilidades para el diseño de procesos limpios de extracción de metales electrolíticos que funcionan con energía eléctrica renovable».

«El futuro está un poco más cerca», dijo Nick Birbilis, vicedecano de la Facultad de Ingeniería y Ciencias de la Computación de la Universidad Nacional de Australia y experto en diseño de materiales con un enfoque en la durabilidad de la corrosión, que no participó en el estudio. «Gran parte del esfuerzo humano y del capital perdido durante el siglo pasado se ha centrado en el desarrollo de materiales que usamos todos los días y en los que confiamos para nuestro poder, vuelo y entretenimiento. El desarrollo de materiales es lento y costoso, lo que hace el aprendizaje automático es un desarrollo crítico para el diseño de materiales del futuro. Para que el aprendizaje automático y la inteligencia artificial alcancen su potencial, los modelos deben ser mecánicamente relevantes e interpretables. Esto es precisamente lo que demuestra el trabajo de Urban y Garrido Torres. Además, el trabajo requiere un -of-system por una de las primeras veces, vinculando simulaciones atomísticas en un extremo, aplicaciones de ingeniería en el otro, a través de algoritmos avanzados «.

El equipo ahora está trabajando para extender el enfoque a otras propiedades de los materiales dependientes de la temperatura, como la solubilidad, la conductividad y la fusión, que se necesitan para diseñar procesos de extracción de metales electrolíticos libres de carbono y alimentados por energía eléctrica limpia.

Fuente de la historia:

Materiales proporcionados por Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia. Original escrito por Holly Evarts. Nota: El contenido puede editarse por estilo y longitud.