Modelos computacionales ayudan a la creación de materiales utraestables

Siendo altamente estables, estos nuevos materiales prometen nuevas aplicaciones

NOTIPRESS.- Conocidos como marcos organometálicos (MOF por sus siglas en ingles) poseen una estructura rígida similar a la de una “jaula”, la cual puede proporcionar diversas aplicaciones. Por desgracia, no todas formaciones creadas de los MOF son los suficientemente estables para lograr su uso como catalizador de reacciones o en la captura de gases.

Es por ello que investigadores el Instituto Tecnológico de Massachusetts, (MIT por sus siglas en ingles) han utilizado un modelo computacional a modo de apoyo para tener propuestas. El modelo arrojó 10 mil propuestas, las cuales fueron clasificadas como ultraestables, logrando así ser consideradas como útiles para nuevos proyectos.

Heather Kulik, profesora de química e ingeniería química del MIT destacó la importancia de estas propuestas y lo complicado que es el establecer una propuesta como válida. “Cuando se descubre alternativas hipotéticas de los MOF, estas no siempre son estables, debido a ello es que hacemos uso de los datos y los modelos de aprendizaje automático en ese punto”.

“Inicialmente con los primeros datos recabados, el modelo de aprendizaje automático logra fabricar combinaciones estables, teniendo esto el modelo vuelve a generar otra propuesta. Gracias a esta recombinación y al modelo de aprendizaje automático almacena las nuevas propuestas robusteciendo su acerbo y dando nuevos materiales ultraestables” dijo Kulik.

Dichos materiales ultraestables poseen una estructura porosa, la cual puede ayudar en la interacción con gases y en el suministro de medicamentos e imagenología. La composición de estos materiales se basa en dos componentes, en unidades de construcción secundarias, y en moléculas orgánicas conocidas como enlazadores.

Teniendo esa sencillez, les proporciona la capacidad de poder generar diversas composiciones según se necesite, “son similares a los bloques de LEGO” agregó Kulik. “Al ser tan similares a los bloques de LEGO, se puede controlar la estructura general, se puede elegir en donde serán ensamblados los bloques y así tener el MOF deseado” comentó Kulik.

Este tipo de ventajas encontradas por los investigadores ha desarrollado otro campo de aplicación en el cual los MOF seleccionados por el aprendizaje automático cumplen una segunda función. Una de ellas es la captura de gases como el metano, el cual puede ser convertido en metanol, un compuesto más amigable hacia el medio ambiente que ayudaría a disminuir la contaminación.

Por otro lado, la posibilidad de captura de los MOF también pudiera resultar benéfica para la industria farmacéutica, aquí los MOF pueden funcionar como acarreadores de medicamento. Estas aplicaciones brindan la posibilidad de innovar en campos donde el tamaño o las características del medio resultan complicadas para su aplicación a gran escala.