Para ayudar a prevenir la crisis climática, es esencial reducir activamente el CO₂ ya emitido.
Por ello, la captura directa del aire (DAC), una tecnología que extrae directamente solo CO₂ del aire, está cobrando relevancia. Sin embargo, capturar eficazmente CO₂ puro no es fácil debido al vapor de agua (H₂O) presente en el aire. Investigadores del KAIST han utilizado con éxito técnicas de aprendizaje automático basadas en IA para identificar los materiales de captura de CO₂ más prometedores entre los marcos metalorgánicos (MOF), una clase clave de materiales estudiados para esta tecnología.
KAIST (Presidente Kwang Hyung Lee) anunció el 29 de junio que un equipo de investigación dirigido por el profesor Jihan Kim del Departamento de Ingeniería Química y Biomolecular, en colaboración con un equipo del Imperial College de Londres, ha desarrollado un método de simulación basado en aprendizaje automático que puede seleccionar de manera rápida y precisa los MOF más adecuados para la captura de CO₂ atmosférico.
Figura 1. Diagrama conceptual de la tecnología de Captura Directa de Aire (DAC) y captura de carbono mediante Estructuras Metal-Orgánicas (MOF). Las MOF son materiales porosos prometedores capaces de capturar dióxido de carbono de la atmósfera, lo que las convierte en un material clave para la tecnología DAC.
Para superar la dificultad de descubrir materiales de alto rendimiento debido a la complejidad de las estructuras y las limitaciones para predecir las interacciones intermoleculares, el equipo de investigación desarrolló un campo de fuerza de aprendizaje automático (MLFF) capaz de predecir con precisión las interacciones entre CO₂, agua (H₂O) y MOF. Este nuevo método permite calcular las propiedades de adsorción de MOF con una precisión comparable a la de la mecánica cuántica a velocidades mucho mayores que antes.
Utilizando este sistema, el equipo evaluó más de 8000 estructuras de MOF sintetizadas experimentalmente, identificando más de 100 candidatos prometedores para la captura de CO₂. Cabe destacar que esto incluyó nuevos candidatos que no se habían descubierto mediante simulaciones tradicionales basadas en campos de fuerza. El equipo también analizó las relaciones entre la estructura química de los MOF y el rendimiento de la adsorción, proponiendo siete características químicas clave que ayudarán en el diseño de nuevos materiales para la DAC.
Figura 2. Diagrama conceptual de simulación de adsorción mediante Campo de Fuerza de Aprendizaje Automático (MLFF). El MLFF desarrollado es aplicable a diversas estructuras MOF y permite el cálculo preciso de las propiedades de adsorción mediante la predicción de energías de interacción durante simulaciones repetitivas de inserción de Widom. Se caracteriza por lograr simultáneamente alta precisión y bajo costo computacional en comparación con los campos de fuerza clásicos convencionales.
Esta investigación se reconoce como un avance significativo en el campo DAC, mejorando enormemente el diseño y la simulación de materiales al predecir con precisión las interacciones MOF-CO₂ y MOF-H₂O.
Los resultados de esta investigación, con el candidato a doctorado Yunsung Lim y el Dr. Hyunsoo Park del KAIST como coautores principales, fueron publicados en la revista académica internacional Matter el 12 de junio.
※Título del artículo: Aceleración de la detección de captura directa de aire de CO₂ para estructuras metalorgánicas con un campo de fuerza de aprendizaje automático transferible
※DOI: 10.1016/j.matt.2025.102203
Esta investigación fue apoyada por el Centro de Gestión de CO₂ de Saudi Aramco-KAIST y el Proyecto Global CLEAN del Ministerio de Ciencia y TIC. KAIST News. Traducido al español
