Científicos del Dutch Institute for Fundamental Energy Research (DIFFER) han creado una base de datos de 31.618 moléculas que podrían utilizarse en futuras baterías de flujo redox. Dichas baterías son muy prometedoras para el almacenamiento de energía. Para ello, los investigadores utilizaron, entre otras cosas, inteligencia artificial y superordenadores para identificar las propiedades de las moléculas. Los resultados se publican hoy en la revista Scientific Data.
El problema, sin embargo, es que para muchas moléculas no se conocen las propiedades. Ejemplos de propiedades moleculares serían el potencial redox y la solubilidad en agua. Éstas son importantes porque están relacionadas con la capacidad de generación de energía y la densidad energética de las baterías de flujo redox.
Para averiguar las propiedades aún desconocidas de las moléculas, los investigadores realizaron cuatro pasos. En primer lugar, utilizaron un ordenador de escritorio y algoritmos inteligentes para crear miles de variantes virtuales de dos tipos de moléculas.
Estas familias de moléculas, las quinonas y los aromáticos aza, son buenas para aceptar y donar electrones de forma reversible. Esto es importante para las baterías.
Los investigadores introdujeron en el ordenador las estructuras de la columna vertebral de 24 quinonas y 28 aza-aromáticos, además de cinco grupos laterales diferentes químicamente relevantes. A partir de ahí, el ordenador creó 31.618 moléculas diferentes.
En el segundo paso, los investigadores utilizaron superordenadores para calcular casi 300 propiedades diferentes de cada molécula. En este proceso, el ordenador utiliza diversas ecuaciones de la química cuántica. Dado que estas fórmulas son difíciles de resolver, un potente superordenador es una herramienta muy útil.
En el tercer paso, los investigadores utilizaron el llamado “machine learning” para predecir si las moléculas serían disolubles en agua.
El cuarto y último paso consistió en crear una base de datos legible tanto por humanos como por máquinas. La base de datos, llamada RedDB (de Redox DataBase), contiene las moléculas y sus propiedades con una denominación y descripción adecuadas.
“Cuando se trabaja con modelos teóricos y machine learning, es obvio que se quiere tener confianza en los resultados”, dice Süleyman Er, líder del grupo de investigación de descubrimiento de materiales energéticos autónomos de DIFFER. “Por eso utilizamos programas informáticos que han demostrado su excelencia. Para ello, también implementamos procedimientos de validación específicos”.
Ahora que la base de datos es pública, los investigadores, incluso los ajenos a DIFFER, pueden buscar fácilmente moléculas potencialmente interesantes para las baterías de flujo redox.
Por ejemplo, pueden simplemente comprar o sintetizar las moléculas e investigarlas más a fondo. Además, los investigadores pueden utilizar la base de datos para mejorar sus modelos de machine-learning y acelerar el diseño de moléculas de alta calidad para el almacenamiento de energía.
Fuente: worldenergytrade