Participación de la IA en los procesos de captación de co2
La Inteligencia Artificial (IA) se ha convertido en un catalizador fundamental para acelerar las tecnologías de captación de dióxido de carbono CO2, reduciendo costos y tiempos de desarrollo que antes tomaban décadas.
La participación de la IA se divide en varios pilares científicos e industriales:
1. Descubrimiento y Diseño de Nuevos Materiales
2. Optimización de Procesos Químicos y Termodinámicos
3. Gemelos Digitales y Control en Tiempo Real
4. Integración Energética y Sitios de Almacenamiento
5. Diseño molecular de los MOFs
6. Asistencia la Inteligencia Artificial a los MOFs
7. Representación Digital del MOF (La Entrada de Datos)
8. Cribado Virtual de Alto Rendimiento (High-Throughput Screening)
9. Generación De Novo (Diseño Inverso)
10. Evaluación de la “Estabilidad y Sintetizabilidad”
11. Aplicaciones específicas de la IA: la captura de CO₂ o la recolección de agua.
12. Grupos funcionales químicos (como aminas o sitios metálicos abiertos) que la IA prefiere añadir a los ligandos para capturar CO2.
1. Descubrimiento y Diseño de Nuevos Materiales
El principal cuello de botella de la captación de CO2 es encontrar materiales eficientes, selectivos y duraderos. La IA acelera este proceso mediante:
- Redes Neuronales de Grafos (GNN): Diseñan y evalúan estructuras tridimensionales de Redes Metal-Orgánicas (MOFs) y zeolitas. Predicen la capacidad de absorción de CO2 y la selectividad frente a otros gases (como el nitrógeno) sin fabricar el material.
- Modelos Generativos (VAEs/GANs): Funcionan como una «IA creativa» que genera arquitecturas moleculares completamente nuevas desde cero, optimizando la porosidad y la estabilidad térmica.
- Tamizado Molecular de Alto Rendimiento: Filtra bases de datos de millones de candidatos en horas. Reduce el tiempo de experimentación en laboratorio de años a solo días.
2. Optimización de Procesos Químicos y Termodinámicos
Una vez seleccionado el material o solvente (como las aminas liquidas), la IA optimiza la planta de captura:
- Modelado de Dinámica de Fluidos Computacional (CFD) con IA: Simula cómo se mueven los gases dentro de las torres de absorción. Optimiza la geometría de los equipos para mejorar el contacto entre el gas y el solvente.
- Optimización de la Desorción (Regeneración): Liberar el \(CO_{2}\) atrapado para reutilizar el solvente requiere aplicar altas temperaturas. Algoritmos de aprendizaje por refuerzo calculan el balance térmico óptimo para minimizar el consumo energético.
La Inteligencia Artificial (IA) ha transformado la ingeniería química y la termodinámica industrial al sustituir los métodos tradicionales de prueba y error por simulaciones predictivas ultrarrápidas. En lugar de resolver manualmente complejas ecuaciones diferenciales parciales o realizar miles de experimentos físicos, los ingenieros utilizan IA para maximizar la eficiencia y reducir el consumo energético.
1. Reemplazo de Ecuaciones de Estado (Termodinámica Predictiva)
En la termodinámica tradicional, predecir el comportamiento de mezclas complejas requiere ecuaciones de estado (como Peng-Robinson o SAFT). Estas ecuaciones fallan o se vuelven computacionalmente prohibitivas bajo condiciones extremas.
- Redes Neuronales de Gráficos (GNN): Se utilizan para predecir las propiedades termodinámicas fundamentales (puntos de ebullición, presiones de vapor, coeficientes de actividad) de moléculas y mezclas nunca antes sintetizadas, basándose únicamente en su estructura molecular.
- Redes Neuronales Informadas por la Física (PINNs): Son modelos de IA que integran las leyes de la física (como las leyes de conservación de la masa y la energía, o las restricciones del equilibrio de fases) directamente en sus funciones de pérdida. Esto garantiza que las predicciones de la IA no violen los principios de la termodinámica.
2. Optimización de Torres de Destilación y Reactores en Tiempo Real
La destilación es el proceso que más energía consume en la industria química. La IA optimiza estos sistemas dinámicos mediante Optimización en Tiempo Real (RTO).
- Control Predictivo basado en Modelos (MPC) con IA: Algoritmos de aprendizaje por refuerzo analizan variables en tiempo real (temperatura de reflujo, presión, composición de alimentación) para ajustar las válvulas de las columnas al instante. Esto minimiza el consumo de vapor manteniendo la pureza del producto.
- Gemelos Digitales (Digital Twins): Réplicas virtuales de reactores químicos alimentadas por IA que predicen fenómenos de transferencia de calor y masa en milisegundos, permitiendo anticipar puntos calientes o fallos catastróficos antes de que ocurran en la planta física.
3. Integración de Procesos y Redes de Intercambio de Calor (Pinch Analysis Avanzado)
El diseño de redes de intercambiadores de calor (HEN) para reutilizar el calor residual de una planta es un problema matemático de escala masiva (No Lineal y Entero Mixto – MINLP).
- Algoritmos Genéticos y Aprendizaje por Refuerzo: La IA explora millones de configuraciones posibles de tuberías e intercambiadores para diseñar la red óptima. El sistema aprende a emparejar las corrientes calientes de un proceso con las corrientes frías de otro, reduciendo la necesidad de servicios externos (como torres de enfriamiento o calderas) a niveles cercanos a cero.
4. Descubrimiento de Catalizadores y Solventes Óptimos
La IA optimiza las reacciones químicas desde su raíz seleccionando los componentes termodinámicos ideales del sistema.
- Diseño Inverso de Solventes: En lugar de probar disolventes existentes, el usuario introduce criterios termodinámicos específicos (por ejemplo: «un solvente que disuelva el soluto A, repela el agua y hierva a menos de 80°C»). La IA generativa propone estructuras moleculares completamente nuevas que cumplen esos requisitos.
- Predicción de Mecanismos de Reacción: Modelos de Machine Learning calculan las barreras de energía de activación de trayectorias catalíticas complejas en segundos, una tarea que antes requería semanas de cálculos de Química Cuántica (DFT).
Resumen de Beneficios Industriales
| Área de Optimización | Método Tradicional | Solución con IA | Impacto Típico |
| Equilibrio de Fases | Iteraciones matemáticas lentas | Predicción instantánea con PINNs | Reducción de tiempo de cómputo en >90% |
| Control de Procesos | Ajuste manual de controladores PID | Aprendizaje por Refuerzo Autónomo | Ahorro energético del 5% al 15% |
| Diseño de Plantas | Análisis de Pinch manual / lineal | Algoritmos Evolutivos no lineales | Recuperación máxima de calor residual |
3. Gemelos Digitales y Control en Tiempo Real
En la fase operativa de las plantas de Captura Directa del Aire (DAC) o de captura post-combustión:
- Gemelos Digitales (Digital Twins): Réplicas virtuales de la planta alimentadas con datos de sensores en tiempo real. Predicen fallas, simulan escenarios y calculan la degradación del solvente químico.
- Mantenimiento Predictivo: Algoritmos de Machine Learning detectan anomalías microscópicas en la presión o temperatura de las tuberías y compresores, evitando paradas no programadas.
La aplicación de Gemelos Digitales (Digital Twins) y Control en Tiempo Real mediante IA es el pilar tecnológico que está permitiendo escalar las plantas de Captura Directa del Aire (DAC) y de captura post-combustión.
Tanto la tecnología DAC como la captura post-combustión en chimeneas industriales operan en entornos altamente variables. La IA actúa aquí como un cerebro optimizador que procesa datos termodinámicos en milisegundos para minimizar el coste energético por tonelada de CO2 capturada.
1. El Gemelo Digital en Plantas de Captura: ¿Cómo funciona?
Un Gemelo Digital no es solo un modelo 3D; es una réplica matemática y termodinámica dinámica de la planta física que corre en paralelo en la nube, alimentada por miles de sensores IoT (presión, temperatura, flujo, concentración de gases).
- Modelado Multiescala: El gemelo digital conecta lo micro con lo macro. Utiliza modelos de Redes Neuronales de Gráficos (GNN) para simular cómo se comportan las moléculas de $CO_2$ dentro de los poros de un MOF o una amina líquida, y traslada instantáneamente ese impacto al rendimiento de toda la columna de captura.
- Modelos sustitutos (Surrogate Models): Las simulaciones de Dinámica de Fluidos Computacional (CFD) tradicionales tardan horas o días en calcular cómo se mueve el gas por un reactor. La IA aprende de esas simulaciones pesadas y crea un «modelo sustituto» que predice el comportamiento del flujo en milisegundos, permitiendo la toma de decisiones en tiempo real.
2. Control en Tiempo Real en Captura Directa del Aire (DAC)
Las plantas DAC se enfrentan al reto de capturar CO2 diluido en la atmósfera (apenas ~420 ppm). Al estar expuestas al aire libre, las condiciones cambian constantemente.
- Adaptación a la Variabilidad Climática: La temperatura, la humedad relativa y la velocidad del viento cambian a lo largo del día. El sistema de Control Predictivo basado en Modelos (MPC) con IA anticipa el clima local. Si la humedad sube, el algoritmo reajusta el flujo de aire de los ventiladores para evitar que el agua sature los filtros absorbentes o los MOFs antes de tiempo.
- Optimización del Ciclo Térmico (Desorción): Los sistemas DAC de sorbente sólido liberan el CO2 aplicando calor (normalmente a ~100°C). La IA calcula el momento exacto en que el filtro está saturado al máximo y activa el ciclo de regeneración. Esto evita gastar energía calentando filtros que aún tienen capacidad de absorción disponible.
3. Control en Tiempo Real en Captura Post-Combustión (Chimeneas)
En la captura post-combustión (generalmente usando solventes de aminas líquidas en centrales térmicas o cementeras), el gas entra concentrado (del 4% al 15% de CO2), pero el flujo y la composición química varían según la producción de la fábrica.
- Control de la Tasa de Absorción/Desorción: Si la fábrica aumenta la producción, el flujo de gas residual se dispara. La IA regula instantáneamente la velocidad de las bombas de solvente químico. Así, balancea la cantidad de amina rica (cargada de CO2) que va hacia el «stripper» (columna de regeneración térmica), evitando cuellos de botella y manteniendo la eficiencia por encima del 90%.
- Mitigación de la Degradación del Solvente: Las aminas se degradan al contacto con el oxígeno y el calor, generando subproductos corrosivos. El Gemelo Digital predice la tasa de degradación termodinámica en tiempo real basándose en el histórico operativo, indicando cuándo inyectar solvente fresco o cuándo programar un mantenimiento predictivo antes de que ocurra una parada no planificada.
Beneficios del Control Autónomo con IA (Refuerzo Continuo)
Los sistemas más avanzados implementan Aprendizaje por Refuerzo (Reinforcement Learning), donde la IA aprende de forma autónoma a operar la planta buscando la recompensa de: Máxima captura de CO2 con el Mínimo consumo de MW/h.
| Parámetro Optimizado | Control Tradicional (Operador Humano/PID) | Control Autónomo con IA + Gemelo Digital |
| Consumo Eléctrico (Ventiladores/Bombas) | Velocidad fija o manual según turnos. | Ajuste dinámico por picómetros de presión barométrica. |
| Consumo Térmico (Vapor/Calor) | Se calienta durante tiempos fijos estandarizados. | El calor se corta en el segundo exacto en que cesa la desorción. |
| Respuesta a anomalías | Reactiva (se actúa tras la alarma de fallo). | Predictiva (la IA ajusta válvulas minutas antes del fallo simulado). |
4. Integración Energética y Sitios de Almacenamiento
La captura de requiere mucha energía. La IA gestiona el sistema de manera global:
- Sincronización con Renovables: Modula la operación de las plantas DAC (que consumen mucha electricidad) para que operen principalmente cuando hay picos de energía solar o eólica barata.
- Monitoreo del Almacenamiento Geológico: Modela la inyección de CO2 en antiguos yacimientos de gas o acuíferos salinos profundos. La IA analiza datos sísmicos para asegurar que el gas no se filtre y permanezca estable bajo tierra.
Flujo de Impacto de la IA en la Reducción de Tiempos
El siguiente gráfico conceptual ilustra cómo la IA comprime drásticamente las fases de desarrollo (I+D, Diseño, Escalado y Operación) en comparación con los métodos de ingeniería tradicionales:
5. El diseño molecular de los MOFs
El diseño molecular de Redes Metal-Orgánicas (MOFs) asistido por Inteligencia Artificial representa una de las revoluciones más disruptivas en la química computacional. Los MOFs son estructuras cristalinas nanoporosas compuestas por nodos metálicos unidos mediante ligandos orgánicos. Debido a que las combinaciones posibles de metales y ligandos tienden al infinito (un espacio químico de materiales hipotéticos), los métodos tradicionales de «ensayo y error» son inviables.
La IA participa en este proceso mediante un flujo de trabajo ultra-detallado que abarca desde la escala atómica hasta la síntesis en laboratorio.
El uso de Inteligencia Artificial (IA) en el diseño de Redes Metal-Orgánicas (MOFs) ha transformado radicalmente la ciencia de materiales, permitiendo descubrir en días compuestos que antes tomaba décadas sintetizar.
Los MOFs son estructuras cristalinas altamente porosas hechas de nodos metálicos y conectores orgánicos, cuya flexibilidad química permite millones de combinaciones teóricas. Gracias a la IA, este inmenso espacio de posibilidades ahora es perfectamente navegable.
6. Asistencia de la Inteligencia Artificial a los MOFs
- Cribado virtual masivo (High-Throughput Screening): Los algoritmos de aprendizaje automático evalúan millones de estructuras en bases de datos virtuales para predecir propiedades de absorción, estabilidad térmica y selectividad gaseosa en segundos.
- Modelos Fundacionales y Transformers: Herramientas de vanguardia aplican la arquitectura de aprendizaje profundo de procesamiento de lenguaje natural al estudio de materiales. Esto les permite «entender» la química molecular general y predecir múltiples propiedades físicas utilizando una cantidad mínima de datos experimentales.
- IA Agencial y Modelos Generativos: Herramientas especializadas operan mediante sistemas de agentes interconectados. Un modelo de lenguaje propone nuevas composiciones químicas, un modelo de difusión genera el cristal en 3D, y un módulo de viabilidad sintética garantiza que el material realmente se pueda fabricar en un laboratorio físico.
- Diseño bajo demanda: Plataformas de startups funcionan esencialmente como un motor de búsqueda inversa: el usuario introduce las propiedades requeridas y la IA genera la estructura molecular idónea desde cero.
Principales Aplicaciones Impulsadas por la IA
La optimización de estos materiales híbridos (reconocidos recientemente con el Premio Nobel de Química) tiene un impacto inmediato en la sostenibilidad global.
| Aplicación | Función de los MOFs asistidos por IA |
| Captura de Carbono (CO₂) | Diseño de nanoporos ultra-selectivos optimizados por IA para atrapar gases de efecto invernadero directamente de chimeneas industriales. |
| Generación de Agua Potable | Simulación de estructuras como el MOF-303, capaces de cosechar eficientemente la humedad del aire en climas desérticos usando solo energía solar. |
| Almacenamiento de Hidrógeno | Optimización de la geometría interna molecular para retener gas H₂ a menor presión, facilitando la transición a energías limpias. |
| Electrónica y Semiconductores | Búsqueda guiada por IA de ligandos específicos que transformen la típica naturaleza aislante de los MOFs en propiedades semiconductoras para microchips avanzados. |
| Nanomedicina y Teranóstica | Selección predictiva de nanocompuestos biocompatibles para liberar fármacos oncológicos de forma controlada o actuar en bioimágenes moleculares. |
7. Representación Digital del MOF (La Entrada de Datos)
Para que un algoritmo de IA procese un MOF, la estructura geométrica e hibridación de átomos debe traducirse a un formato matemático:
- Descriptores Basados en Características: Se extraen propiedades físicas precalculadas como la Superficie de área pore (BET), el volumen de poros accesibles, el diámetro de la cavidad más grande y la densidad del cristal.
- Redes Neuronales de Grafos (GNN): El método más avanzado. El MOF se mapea como un grafo matemático donde los nodos son los átomos (con atributos como número atómico, electronegatividad y estado de oxidación) y las aristas son los enlaces químicos (con atributos como distancia y tipo de enlace). Esto permite a la IA «entender» la simetría y topología tridimensional del cristal de forma nativa.
8. Cribado Virtual de Alto Rendimiento (High-Throughput Screening)
Antes de inventar materiales, la IA evalúa bases de datos de millones de MOFs hipotéticos ya generados computacionalmente (como la base de datos hMOF):
Base de Datos: Millones de MOFs
Filtro 1: GNN (Predicción de Capacidad)
Filtro 2: Aprendizaje Automático (Selectividad CO2/N2)
Top 100 Candidatos
- Predicción Isostérica de Calor de Adsorción: Mediante algoritmos de Gradient Boosting (como XGBoost o LightGBM), la IA predice con qué fuerza se unirá la molécula de CO2 al MOF a nivel energético, sustituyendo las costosas simulaciones de Monte Carlo Cuántico (GCMC).
- Predicción de Selectividad: El gas real no es CO2 puro; suele venir mezclado con Nitrógeno (N2) o vapor de agua (H2O). Modelos de Random Forest entrenados con datos físicos evalúan instantáneamente la afinidad competitiva, descartando MOFs que absorben agua en lugar de carbono.
9. Generación De Novo (Diseño Inverso)
En lugar de buscar en una lista fija, los Modelos Generativos crean estructuras moleculares inéditas optimizadas específicamente para capturar CO2:
- Autoencoders Variacionales (VAEs): Comprimen la compleja geometría del MOF en un espacio continuo de bajas dimensiones (espacio latente). El algoritmo se desplaza por este mapa matemático y genera nuevas combinaciones de nodos metálicos (ej. Zirconio, Cobre) y ligandos funcionales (ej. anillos de benceno modificados con grupos amina) que maximizan la afinidad por el CO2.
- Modelos de Difusión Moleculares: Similares a las IA generadoras de imágenes, estos modelos inician con un «ruido» atómico desorganizado y van posicionando los átomos paso a paso hasta consolidar un cristal cristalino termodinámicamente estable con poros perfectos para atrapar la molécula de dióxido de carbono.
10. Evaluación de la Estabilidad y Sintetizabilidad
El gran defecto de muchos MOFs teóricos es que se colapsan al exponerse a la humedad o son imposibles de fabricar. La IA resuelve esto mediante:
- Clasificadores de Estabilidad Hidrolítica: Redes neuronales convolucionales 3D analizan la densidad electrónica alrededor del nodo metálico para predecir si los enlaces MOF-ligando se romperán al entrar en contacto con el agua del aire ambiente o de los gases de combustión.
- Puntuación de Sintetizabilidad (Synthetic Accessibility Score): Algoritmos de aprendizaje profundo entrenados con millones de reacciones químicas de la literatura científica evalúan el ligando propuesto por la IA. El modelo otorga una nota del 1 al 10 indicando qué tan viable y económico es sintetizar ese material en un laboratorio real.
Comparación de Métodos de Diseño de MOFs
| Métrica de Desarrollo | Método Tradicional (Simulación GCMC + Lab) | Método Impulsado por IA (GNN + Modelos Generativos) |
| Tiempo de evaluación por MOF | 10 a 24 horas (cómputo intensivo) | Menos de 1 milisegundo |
| Espacio de búsqueda | Cientos de materiales seleccionados a mano | Millones de estructuras analizadas en paralelo |
| Enfoque de diseño | Directo (probar lo que ya existe) | Inverso (diseñar el MOF ideal según el objetivo) |
| Tasa de éxito en síntesis | Baja (muchos cristales fallan en lab) | Alta (filtrados previamente por sintetizabilidad) |
11. Aplicaciones específicas de la IA: la captura de CO₂ o la recolección de agua
El diseño de Redes Metal-Orgánicas (MOFs) optimizado por Inteligencia Artificial ha permitido pasar de la experimentación genérica a la ingeniería molecular de ultra-precisión. Al procesar millones de geometrías, la IA identifica la combinación exacta de metal y ligando para resolver problemas ambientales críticos.
A continuación, se detallan las aplicaciones específicas más disruptivas:
1. Captura Directa de Aire (DAC) y Emisiones de CO₂
La IA resuelve el mayor desafío de los MOFs en la captura de carbono: encontrar materiales que atrapen el CO2 con fuerza, pero que lo liberen sin consumir demasiada energía.
- Captura en Chimeneas Industriales: Algoritmos de Machine Learning han optimizado variantes de familias como CALF-20 y MOF-74. La IA simula la presencia de impurezas (como agua o dióxido de azufre) para diseñar sitios metálicos abiertos que atrapen selectivamente el CO2 bloqueando los gases competitivos.
- Separación de Gases en Flujos Húmedos: Tradicionalmente, el agua del ambiente destruye o satura los MOFs. Herramientas de IA generativa han diseñado «bolsillos» moleculares hidrofóbicos (que repelen el agua) pero altamente afinados al carbono, permitiendo capturar gases de efecto invernadero directamente del aire húmedo.
- Reducción de la Energía de Desorción: La IA predice con exactitud la energía térmica o de cambio de presión necesaria para liberar el CO2 atrapado. Esto permite diseñar MOFs que sueltan el gas a temperaturas mucho más bajas, abaratando drásticamente el coste por tonelada de carbono capturado.
2. Recolección de Agua Atmosférica en Zonas Áridas
Cosechar agua del desierto con un consumo energético nulo es posible gracias a MOFs que funcionan como esponjas moleculares ultraeficientes, un campo acelerado por la IA.
- Optimización del MOF-303 y Similares: Modelos de aprendizaje profundo han analizado las estructuras basadas en aluminio (como el MOF-303) para modificar sus ligandos orgánicos. El objetivo guiado por IA es lograr que el material absorba agua con humedades relativas extremadamente bajas (inferiores al 20%).
- Estructuras de Porosidad Gradual: Mediante IA, se diseñan canales donde los poros cambian de tamaño de forma concéntrica. Esto facilita que las moléculas de agua entren fácilmente, se condensen en racimos microscópicos dentro del cristal y se liberen en forma líquida utilizando únicamente la luz solar del día como fuente de calor.
3. Almacenamiento y Transporte de Hidrógeno H2
El hidrógeno es el combustible del futuro, pero guardarlo requiere presiones extremas (700 bar) o frío criogénico. La IA busca MOFs que actúen como «tanques de gas químicos» a presiones seguras.
- Maximización de la Superficie Específica: Modelos de IA han ayudado a predecir estructuras de densidades ultrabajas (como el NU-1500), capaces de ofrecer una superficie interna equivalente a un campo de fútbol en un solo gramo de material, maximizando los sitios de anclaje para el hidrógeno.
- Cribado de Enlaces Criptón/Xenón e Hidrógeno: La IA calcula mediante química cuántica acelerada la fuerza de Van der Waals óptima. Si el enlace es muy débil, el hidrógeno se escapa; si es muy fuerte, no sale hacia el motor. La IA calibra el «punto dulce» de adsorción a temperatura ambiente.
4. Purificación de Gases Críticos y Separación de Olefinas
La separación de gases en la industria petroquímica tradicional (como separar etileno de etano) consume el 1% de la energía global debido a la destilación criogénica destructiva.
- Tamizado Molecular de Ultra-Precisión: Mediante algoritmos de clasificación, la IA mide los diámetros de poros con precisión de picómetros. Diseña MOFs con ventanas moleculares tan exactas que permiten el paso del etileno pero bloquean el etano por una diferencia mínima de tamaño.
- Eliminación de Toxinas y Gases Nobles: Los MOFs asistidos por IA se aplican para filtrar trazas peligrosas de amoníaco, sulfuro de hidrógeno o para capturar gases costosos como el Xenón y el Kriptón a partir del aire.
12. Grupos funcionales químicos (como aminas o sitios metálicos abiertos) que la IA prefiere añadir a los ligandos para capturar CO2.
Para que un MOF capture CO2 de forma ultraeficientes, la Inteligencia Artificial no busca la aleatoriedad, sino que optimiza la química de superficie de los poros mediante el diseño computacional de ligandos orgánicos funcionalizados y la maximización de sitios metálicos abiertos (OMS).
El CO2 es una molécula lineal que, aunque es globalmente neutra, posee un fuerte momento cuadrupolar (las cargas negativas se concentran en los átomos de Oxígeno y la positiva en el Carbono). La IA explota esta vulnerabilidad electrónica seleccionando y posicionando estratégicamente los siguientes grupos funcionales:
1. Funcionalización con Aminas (Quimisorción guiada por IA)
Las aminas son el grupo predilecto por la IA debido a su capacidad de formar enlaces químicos reversibles con el CO2. Los modelos generativos clasifican y eligen los ligandos según el tipo de amina:
- Aminas Primarias y Secundarias (NH2, NHR): La IA prefiere injertar estos grupos en los anillos aromáticos del ligando (como el ácido tereftálico). El nitrógeno de la amina comparte su par de electrones libres con el carbono electrofílico del CO2 formando carbamatos. La IA optimiza la distancia espacial entre dos aminas vecinas para que puedan cooperar y capturar el gas con menor costo energético.
- Aminas Alifáticas vs. Aromáticas: Los algoritmos de Machine Learning han demostrado que las aminas unidas a cadenas de carbono alifáticas son más básicas y atrapan mejor el CO2 a bajas concentraciones (ideal para Captura Directa del Aire o DAC), mientras que las aromáticas facilitan la liberación del gas consumiendo menos calor.
2. Grupos Polarizantes Fuertes (Fisisorción electrostática)
Cuando la IA busca un proceso de captura de bajo consumo energético (donde el gas se libere fácilmente sin aplicar calor extremo), diseña ligandos con grupos que generan campos eléctricos locales intensos para atraer el cuadrupolo del CO2:
- Grupos Nitro (NO2) y Ciano (CN): Son fuertemente electrono-atrayentes. La IA los posiciona de forma que retiran densidad electrónica del ligando, creando regiones altamente polarizadas dentro del poro que «atrapan» electrostáticamente al CO2.
- Ligandos Fluorados o Halogenados (F, CF3): Los modelos de aprendizaje profundo eligen frecuentemente la fluoración de ligandos. El Flúor es el elemento más electronegativo; crea interacciones dipolo-cuadrupolo muy fuertes con el CO2 y, simultáneamente, aporta hidrofobicidad al MOF, repeliendo el agua del ambiente para que no compita por el sitio de captura.
3. Ingeniería de Sitios Metálicos Abiertos (OMS)
Los Sitios Metálicos Abiertos (Open Metal Sites) son «coordenadas de insaturación» donde el metal del nodo no está completamente rodeado por ligandos, dejando un orbital libre.
- Ácidos de Lewis Fuertes: La IA prioriza nodos metálicos basados en Magnesio (Mg2, Níquel Ni2, Cobalto Co o Hierro Fe. El Mg2, por ejemplo, posee una densidad de carga altísima.
- Alineación de Orbitales: Los modelos de Redes Neuronales de Grafos calculan la interacción exacta entre los orbitales del metal y los átomos de Oxígeno del CO2. La IA optimiza la estructura para que el ángulo de aproximación de la molécula de CO2 hacia el metal sea perfecto, maximizando la energía de enlace sin llegar a una unión irreversible.
Preferencias Estratégicas de la IA según la Fuente de Gas
La IA adapta la composición molecular dependiendo del escenario físico real mediante un balance predictivo:
*Gas de Combustión Industrial
IA prioriza
Ligandos Fluorados (-F) + Aminas Aromáticas
Alta concentración de CO2 + Humedad. Evita que el agua destruya el poro
*Captura Directa del Aire – DAC
IA prioriza
Sitios de Mg2+ Abiertos + Aminas Primarias
Bajísima concentración de CO2. Fuerza de atracción ultra-alta
El «Efecto Cooperativo» Diseñado por IA
El hito más complejo que logra la IA es el diseño de mecanismos de fase cooperativa.
Mediante simulaciones moleculares aceleradas, la IA configura cadenas de aminas insertadas en los canales del MOF. Cuando la primera molécula de CO2 se inserta, provoca un sutil movimiento de rotación en el ligando orgánico, abriendo de forma coordinada el espacio vecino para que las siguientes moléculas entren en «efecto dominó». Esto permite una capacidad de almacenamiento masiva a presiones muy bajas.
