L’exploitation des bons métaux de transition dans un vaste espace chimique

Using transition metals effectively in a broad chemical space.

Les chimistes computationnels conçoivent de meilleures méthodes pour découvrir et concevoir des matériaux pour les applications énergétiques.

Associate Professor Heather Kulik

Des gains significatifs et rapides contre le changement climatique nécessitent la création de matériaux nouveaux, respectueux de l’environnement et économes en énergie. L’un des gisements les plus riches que les chercheurs espèrent exploiter pour créer de tels composés utiles est un vaste espace chimique où des combinaisons moléculaires offrant des propriétés optiques, conductrices, magnétiques et de transfert de chaleur remarquables attendent d’être découvertes.

Mais la découverte de ces nouveaux matériaux a été lente.

« Bien que la modélisation computationnelle nous ait permis de découvrir et de prédire les propriétés de nouveaux matériaux beaucoup plus rapidement que l’expérimentation, ces modèles ne sont pas toujours fiables », déclare Heather J. Kulik, PhD ’09, professeur associé dans les départements de génie chimique et de chimie. « Pour accélérer la découverte computationnelle de matériaux, nous avons besoin de meilleures méthodes pour éliminer l’incertitude et rendre nos prédictions plus précises. »

Une équipe du laboratoire de Kulik s’est attaquée à ces défis avec une équipe comprenant Chenru Duan, doctorant en 22.

Un outil pour établir la confiance

Kulik et son groupe se concentrent sur les complexes de métaux de transition, des molécules composées de métaux situés au milieu du tableau périodique et entourés de ligands organiques. Ces complexes peuvent être extrêmement réactifs, ce qui leur donne un rôle central dans la catalyse des processus naturels et industriels. En modifiant les composants organiques et métalliques de ces molécules, les scientifiques peuvent générer des matériaux aux propriétés améliorant des applications telles que la photosynthèse artificielle, l’absorption et le stockage de l’énergie solaire, les OLEDS à efficacité accrue (diodes électroluminescentes organiques) et la miniaturisation des dispositifs.

« La caractérisation de ces complexes et la découverte de nouveaux matériaux se fait actuellement lentement, souvent motivée par l’intuition du chercheur », explique Kulik. « Et le processus implique des compromis : vous pouvez trouver un matériau qui a de bonnes propriétés d’émission de lumière, mais le métal au centre peut être quelque chose comme l’iridium, qui est extrêmement rare et toxique. »

Les chercheurs cherchant à identifier des complexes de métaux de transition non toxiques et abondants en terres rares avec des propriétés utiles ont tendance à poursuivre un ensemble limité de caractéristiques, avec seulement une assurance modeste qu’ils sont sur la bonne voie. « Les gens continuent d’itérer sur un ligand particulier et restent coincés dans des zones locales d’opportunité, plutôt que de mener une découverte à grande échelle », explique Kulik.

Pour remédier à ces inefficacités de dépistage, l’équipe de Kulik a développé une nouvelle approche – un « recommandeur » basé sur l’apprentissage automatique qui permet aux chercheurs de connaître le modèle optimal pour poursuivre leur recherche. Leur description de cet outil a fait l’objet d’un article dans Nature Computational Science en décembre.

« Cette méthode surpasse toutes les approches précédentes et peut indiquer aux gens quand utiliser des méthodes et quand elles seront fiables », explique Kulik.

L’équipe, dirigée par Duan, a commencé par étudier des moyens d’améliorer l’approche de dépistage conventionnelle, la théorie fonctionnelle de la densité (DFT), qui est basée sur la mécanique quantique computationnelle. Il a construit une plateforme d’apprentissage automatique pour déterminer à quel point les modèles de fonctionnels de densité étaient précis pour prédire la structure et le comportement des molécules de métaux de transition.

« Cet outil a appris quels fonctionnels de densité étaient les plus fiables pour les complexes de matériaux spécifiques », explique Kulik. « Nous l’avons vérifié en testant l’outil sur des matériaux qu’il n’avait jamais rencontrés auparavant, où il a en fait choisi les fonctionnels de densité les plus précis pour prédire la propriété du matériau. »

Une percée critique pour l’équipe a été sa décision d’utiliser la densité électronique – une propriété quantique fondamentale des atomes – comme entrée d’apprentissage automatique. Cet identificateur unique, ainsi que l’utilisation d’un modèle de réseau neuronal pour effectuer la cartographie, crée un outil puissant et efficace pour les chercheurs qui veulent déterminer s’ils utilisent le bon fonctionnel de densité pour caractériser leur complexe de métaux de transition cible. « Un calcul qui prendrait des jours ou des semaines, ce qui rend le dépistage computationnel presque impossible, peut produire un résultat fiable en quelques heures seulement. »

Kulik a incorporé cet outil dans molSimplify, un code open source sur le site Web du laboratoire, permettant aux chercheurs du monde entier de prédire les propriétés et de modéliser les complexes de métaux de transition.

Optimisation pour plusieurs propriétés

Dans une direction de recherche connexe, qu’ils ont présentée dans une publication récente dans JACS Au, le groupe de Kulik a démontré une approche permettant de se concentrer rapidement sur les complexes de métaux de transition présentant des propriétés spécifiques dans un vaste espace chimique.

Leur travail a rebondi sur un article de 2021 montrant que l’accord sur les propriétés d’une molécule cible parmi un groupe de différents fonctionnels de densité réduisait considérablement l’incertitude des prédictions d’un modèle.

L’équipe de Kulik a exploité cette idée en démontrant, pour la première fois, une optimisation multi-objectif. Dans leur étude, ils ont identifié avec succès des molécules faciles à synthétiser, présentant des propriétés d’absorption significatives de la lumière, en utilisant des métaux abondants en terres rares. Ils ont exploré 32 millions de matériaux candidats, l’un des plus grands espaces jamais explorés pour cette application. « Nous avons démonté des complexes qui se trouvent déjà dans des matériaux expérimentalement synthétisés connus, et nous les avons recombines de nouvelles façons, ce qui nous a permis de maintenir une certaine réalité synthétique », explique Kulik.

Après avoir collecté les résultats de DFT sur 100 composés dans ce domaine chimique géant, le groupe a entraîné des modèles d’apprentissage automatique pour faire des prédictions sur l’ensemble de l’espace de 32 millions de composés, dans le but d’atteindre leurs objectifs de conception spécifiques. Ils ont répété ce processus génération après génération pour éliminer les composés avec les propriétés explicites qu’ils voulaient.

« À la fin, nous avons trouvé neuf des composés les plus prometteurs et découvert que les composés spécifiques que nous avons choisis grâce à l’apprentissage automatique contenaient des parties (ligands) qui avaient été synthétisées expérimentalement pour d’autres applications nécessitant des propriétés optiques, celles avec des spectres d’absorption de la lumière favorables », explique Kulik.

Applications avec impact

Alors que l’objectif général de Kulik consiste à surmonter les limites de la modélisation informatique, son laboratoire tire pleinement parti de ses propres outils pour rationaliser la découverte et la conception de nouveaux matériaux potentiellement impactants.

Dans un exemple notable, « Nous travaillons activement sur l’optimisation des cadres métallo-organiques pour la conversion directe du méthane en méthanol », explique Kulik. « Il s’agit d’une réaction de graal sacré que les gens ont voulu catalyser pendant des décennies, mais ils n’ont pas réussi à le faire efficacement. »

La possibilité d’un chemin rapide pour transformer un gaz à effet de serre très puissant en un liquide facilement transportable et pouvant être utilisé comme combustible ou comme produit chimique à valeur ajoutée est très attrayante pour Kulik. « Cela représente l’un de ces défis de recherche d’aiguille dans une botte de foin que l’optimisation multi-objectif et le criblage de millions de catalyseurs candidats sont bien positionnés pour résoudre, un défi exceptionnel qui existe depuis si longtemps. »

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

DeepSeek Domination du dernier modèle de langage chinois

Dans une évolution récente, le DeepSeek LLM s’est imposé comme une force redoutable dans le domaine des modèles...

AI

Franchir les barrières dans l'adaptation de domaine sans source l'impact de NOTELA sur les domaines de la bioacoustique et de la vision

L’apprentissage profond a réalisé des progrès significatifs dans un large éventail de domaines d’applicat...

AI

Meta AI rend AudioCraft open source une bibliothèque PyTorch pour la recherche en apprentissage profond sur la génération audio

Pour permettre aux chercheurs et aux praticiens de former leurs modèles et de faire progresser l’état de l̵...

AI

Top 10 des outils pour détecter ChatGPT, GPT-4, Bard et Claude.

Meilleurs outils gratuits pour détecter les thèses, les articles de recherche, les devoirs, la documentation et les b...

AI

Traitement intelligent des documents avec Amazon Textract, Amazon Bedrock et LangChain

Dans l'ère de l'information d'aujourd'hui, les vastes volumes de données stockées dans d'innombrables documents repré...

Actualités sur l'IA

Ils ont aidé à entraîner l'IA de Google. Ensuite, ils ont été licenciés après avoir parlé.

Les travailleurs contractuels de Google employés par Appen ont allégué mercredi qu'ils avaient été licenciés après av...