Resumen Técnico: Conjunto de Datos AdsZeo

Planteamiento del Problema

Las zeolitas son materiales nanoporosos cristalinos críticos utilizados en adsorción, separación y catálisis. Si bien las simulaciones moleculares, particularmente el Monte Carlo de Gran Canónica (GCMC), son el estándar para predecir propiedades de adsorción (por ejemplo, cargas, isotermas), los conjuntos de datos de alto rendimiento existentes suelen reportar únicamente cantidades escalares promediadas del conjunto. Estos conjuntos de datos carecen de las configuraciones moleculares subyacentes de las cuales se derivan los promedios. Esta ausencia limita el desarrollo de modelos de aprendizaje automático (ML) capaces de aprender distribuciones de equilibrio, generar configuraciones de adsorbato o acelerar simulaciones, ya que tales modelos requieren datos de entrenamiento al nivel de coordenadas moleculares individuales en lugar de solo propiedades escalares. Además, los conjuntos de datos atomísticos existentes suelen basarse en estructuras relajadas de un solo adsorbato en lugar de configuraciones de equilibrio dependientes de la presión muestreadas a través de isotermas de adsorción completas.

Metodología

Los autores generaron AdsZeo, un conjunto de datos con resolución de coordenadas de la adsorción de metano en marcos de zeolita con sustitución de aluminio y contenido de sodio. La construcción del conjunto de datos implicó los siguientes pasos:

1. Preparación del Marco (Framework):

   • Topologías: Se seleccionaron 191 topologías de marcos de sílice pura de la base de datos de la Asociación Internacional de Zeolitas (IZA) basadas en el volumen accesible.
   • Superceldas: Las celdas unitarias se expandieron en superceldas periódicas con vectores de red que exceden los 24 Å para satisfacer los requisitos de corte de no enlace.
   • Sustitución: Para cada topología, se generaron 25 realizaciones distintas con sustitución de aluminio, variando el número de sustituciones de Al (desde 1 hasta aproximadamente el 25% de los sitios tetraédricos). Los sitios de Al se distribuyeron utilizando un procedimiento de maximización de distancia.
   • Balance de Carga: Se añadió un catión Na⁺ extra-marco por cada sustitución de Al para mantener la neutralidad de carga. Las posiciones iniciales de Na⁺ fueron aleatorias.

2. Protocolo de Simulación:

   • Herramienta: Se utilizó RASPA 2.0.47 para las simulaciones GCMC.
   • Campo de Fuerza: Se empleó un campo de fuerza clásico no reactivo. El metano se modeló como un pseudoátomo de átomo unido (united-atom). Los parámetros del marco y del catión se basaron en modelos de zeolita validados, incluyendo tipos de oxígeno específicos (O, Oa, Oaa) para diferentes entornos T–O–T.
   • Condiciones: Las simulaciones se realizaron a 298 K a través de 13 presiones espaciadas logarítmicamente (0.1 a 100 bar).
   • Muestreo: Cada simulación incluyó 5,000 ciclos de inicialización seguidos de 200,000 ciclos de producción. Las configuraciones se guardaron cada 1,000 ciclos, produciendo 200 fotogramas (frames) de producción por simulación.
   • Dinámica: Los átomos del marco fueron tratados como rígidos. Los pseudoátomos de metano y los cationes Na⁺ fueron móviles, con el conteo de Na⁺ fijado por el balance de carga y el conteo de metano fluctuando según el potencial químico.

3. Procesamiento de Datos:

   • La salida bruta se procesó en una base de datos DuckDB que contiene registros escalares (cargas, energías) y registros de coordenadas (coordenadas cartesianas para metano y Na⁺, coordenadas fraccionarias para el marco).
   • El conjunto de datos final comprende 4,775 realizaciones de marcos, lo que resulta en 62,075 simulaciones de producción.

Principales Contribuciones

• Escala y Alcance: El conjunto de datos contiene 4,775 realizaciones de marcos derivadas de 191 topologías, simuladas en 13 presiones, totalizando 62,075 simulaciones.
• Volumen de Datos: Incluye 12,415,000 registros de fotogramas de producción guardados y más de 1.24 mil millones de registros de coordenadas de partículas.
• Resolución de Coordenadas: A diferencia de otros conjuntos de datos de alto rendimiento, AdsZeo almacena las configuraciones moleculares completas (pseudoátomos de metano y cationes Na⁺ móviles) para cada fotograma guardado, junto con los datos de la isoterma escalar.
• Variabilidad: El conjunto de datos captura sistemáticamente las variaciones en la topología del marco, el contenido y la distribución de aluminio, la disposición de los cationes de sodio, la presión y la carga de metano.
• Accesibilidad: Los datos están almacenados en una base de datos DuckDB estructurada con un esquema relacional que vincula estructuras, ejecuciones, estadísticas de ciclos, posiciones e isotermas, facilitando consultas eficientes.

Resultados y Validación

Los autores realizaron una validación técnica rigurosa para asegurar la integridad de los datos:

• Estabilidad de la Producción: El análisis por bloques de los 200 fotogramas guardados por simulación no mostró ninguna deriva sistemática significativa en los conteos de metano o la energía potencial, confirmando un muestreo equilibrado.
• Consistencia Escalar-Coordenada: Las cargas de metano reconstruidas a partir de las coordenadas guardadas coincidieron estrechamente con las cargas escalares reportadas por RASPA (desviación absoluta media de ~0.18 CH₄ por celda unitaria), validando que los registros de coordenadas corresponden a los estados de simulación correctos.
• Validez Geométrica: Las comprobaciones en las distancias de par de imagen mínima confirmaron la ausencia de solapamientos no físicos, átomos duplicados o errores de empaquetado de coordenadas.
• Comportamiento Físico: Todas las isotermas simuladas exhibieron un aumento monotónico con la presión.
• Comparación Experimental: Las isotermas simuladas para Na-ZSM-5, NaY y NaX se compararon con datos experimentales. Las simulaciones reprodujeron las tendencias generales de captación y magnitudes, con un acuerdo particularmente bueno para NaX. Las desviaciones se atribuyeron al uso de marcos de sílice pura idealizados con sustitución de Al en lugar de estructuras refinadas experimentalmente.

Significado y Reivindicaciones

El artículo posiciona a AdsZeo como un recurso fundamental para avanzar en el aprendizaje automático de la simulación molecular. Los autores afirman que el conjunto de datos permite:

• Entrenamiento de Modelos de ML: Proporcionar los datos necesarios a nivel de coordenadas para entrenar modelos generativos para el muestreo de equilibrio, la generación de configuraciones de adsorbato y la estimación de densidad en poros de zeolita cargados.
• Aceleración de Simulaciones: Ofrecer datos para desarrollar modelos que propongan movimientos de Monte Carlo eficientes o inicialicen simulaciones más cerca del equilibrio.
• Análisis Espacial: Permitir estudios sobre estadísticas espaciales y estimación de densidad a través de diversas topologías y composiciones de marcos.

Los autores enfatizan que el conjunto de datos está diseñado específicamente para tareas que requieren configuraciones moleculares, distinguiéndose de los conjuntos de datos enfocados únicamente en la predicción de propiedades escalares. Señalan que, si bien el conjunto de datos captura un comportamiento de adsorción realista, es generado a partir de estructuras idealizadas y debe interpretarse como un recurso sistemático para el desarrollo de modelos en lugar de un reemplazo directo para los datos experimentales. El conjunto de datos está destinado principalmente al entrenamiento y evaluación de modelos de ML, con potencial para futuras extensiones a mezclas, marcos flexibles y otros materiales porosos.