Científicos usan el aprendizaje automático para traducir información’ oculta’ que revela la química en acción

Por Amelia OS |

Investigadores del Brookhaven National Laboratory y de la Universidad Stony Brook dicen que han utilizado redes neuronales y máquinas de aprendizaje para enseñar a las computadoras a descifrar información previamente inaccesible de datos de rayos X y aplicarla a la decodificación de estructuras de nanoescala tridimensionales.

Científicos usan el aprendizaje automático para traducir información’ oculta’ que revela la química en acción.
El nuevo método permite el análisis sobre la marcha de cómo cambian los catalizadores durante las reacciones, proporcionando información crucial para mejorar el rendimiento.

La química es una danza compleja de átomos. Cambios sutiles en la posición y cambios sutiles de electrones rompen y rehacen los enlaces químicos a medida que los participantes cambian de pareja. Los catalizadores son como los casamenteros moleculares que facilitan la interacción entre los socios a veces reacios.

Dicen que su técnica sobre la marcha podría ayudar a mejorar la capacidad de los catalizadores para conducir rápidamente las reacciones hacia los productos deseados.

El equipo elaboró una forma de analizar un aspecto del espectro de absorción de rayos X asociado con las ondas de baja energía que son menos vulnerables al calor y los trastornos.

Decodificación de estructuras a nanoescala

La clave para la descodificación del espectro fue desarrollada por los ordenadores de entrenamiento para encontrar las conexiones entre las características ocultas del espectro y los detalles estructurales de los catalizadores. Los investigadores emplearon el modelado teórico para generar espectros simulados de varios cientos de miles de estructuras de modelos, utilizándolos para enseñar a la computadora a identificar las características espectrales y su correlación con la estructura.

Cuando probaron para ver si el método funcionaría para descifrar las formas y tamaños de nanopartículas de platino bien definidas (utilizando espectros de absorción de rayos X previamente publicados por Frenkel y sus colaboradores) lo hizo.

Una vez construida la red, la estructura no tarda casi nada en obtenerse en cualquier experimento real. Anatoly Frenkel

 

Este método ahora se puede usar sobre la marcha “, aseguró Frenkel. “Una vez que la red se construye, la estructura no tarda casi nada en obtenerse en cualquier experimento real”.

Esto significa que los científicos que estudian catalizadores en la Fuente Nacional de Luz Sincrotrón II (NSLS-II) de Brookhaven, por ejemplo, podrían obtener información estructural en tiempo real para descifrar por qué una reacción en particular se ralentiza o comienza a producir un producto no deseado, y luego ajustar las condiciones de reacción o la química del catalizador para lograr los resultados deseados. Esto sería una gran mejora respecto a esperar para analizar los resultados después de completar los experimentos y luego averiguar qué salió mal.

Además, esta técnica puede procesar y analizar señales espectrales de muestras de muy baja concentración, y será particularmente útil en las nuevas líneas de flujo elevado y líneas de haz de alta resolución de energía que incorporan ópticas especiales y técnicas de análisis de alto rendimiento en NSLS-II.


Referencias & Fuentes

bnl.gov | Scientists Use Machine Learning to Translate ‘Hidden’ Information that Reveals Chemistry in Action

Si te fue útil, Comparte esta Información
  •  
  •  
  •  
  •  
  •  
    1
    Share
Mostrar Más

Amelia Oliveira Santos

Investigador asociado: temas biocombustibles, nanomateriales, Olimpiadas Nacionales de Química

Biografía Completa

Articulos Relacionados

Close