← Ultimi articoli
🔬 scienza dei materiali

An open dataset of gas adsorption in deformable metal-organic frameworks for direct air capture

Il documento presenta il dataset Open DAC 2025 (ODAC25), che comprende quasi 60 milioni di calcoli DFT su circa 15.000 strutture metal-organiche deformabili per consentire lo screening ad alta risoluzione guidato dal machine learning per materiali di cattura diretta dell'aria.

Autore originale: Anuroop Sriram, Logan M. Brabson, Xiaohan Yu, Sihoon Choi, Kareem Abdelmaqsoud, Elias Moubarak, Pim de Haan, Sindy Löwe, Johann Brehmer, Muhammed Shuaibi, John R. Kitchin, Max Welling, C. Lawrence Zit
Pubblicato 2026-11-18
📖 7 min di lettura🧠 Approfondimento

Autore originale: Anuroop Sriram, Logan M. Brabson, Xiaohan Yu, Sihoon Choi, Kareem Abdelmaqsoud, Elias Moubarak, Pim de Haan, Sindy Löwe, Johann Brehmer, Muhammed Shuaibi, John R. Kitchin, Max Welling, C. Lawrence Zitnick, Zachary Ulissi, Andrew J. Medford, David S. Sholl

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dall'autore. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Per comprendere la sfida della pulizia dell'anidride carbonica dall'aria, bisogna prima comprendere i materiali che gli scienziati utilizzano per catturarla. Immaginate una spugna, ma invece di essere fatta di schiuma morbida, è costruita con atomi metallici collegati da molecole organiche in un reticolo tridimensionale rigido. Questi sono i framework metal-organici, o MOF. Sono come spugne microscopiche con pori così uniformi e vasti da poter intrappolare molecole di gas specifiche lasciando passare altre. Per anni, i ricercatori hanno sperato di utilizzare questi materiali per estrarre l'anidride carbonica direttamente dall'atmosfera, un processo noto come cattura diretta dall'aria, per aiutare a rallentare il cambiamento climatico. Il problema è che esistono milioni di modi possibili per costruire queste spugne, e testarle una per una in laboratorio è troppo lento e costoso. Gli scienziati si sono rivolti ai computer per simulare il comportamento di diversi MOF, ma per molto tempo queste simulazioni si sono basate su regole semplificate che spesso ignoravano i modi sottili e reali in cui questi materiali si piegano e cambiano quando le molecole di gas vi entrano.

Un nuovo studio introduce una massiccia e aperta collezione di dati progettata per colmare queste lacune e accelerare la ricerca di migliori materiali per la pulizia dell'aria. I ricercatori, un team che comprende istituzioni che vanno da Meta al Georgia Institute of Technology, hanno creato un dataset chiamato Open DAC 2025. Questa collezione contiene quasi 60 milioni di dettagliate simulazioni computazionali che descrivono come quattro gas diversi — anidride carbonica, vapore acqueo, azoto e ossigeno — interagiscono con circa 15.000 diversi framework metal-organici. A differenza degli sforzi precedenti che trattavano questi materiali come gabbie perfettamente rigide, questo nuovo dataset tiene conto del fatto che i framework in realtà si flettono e si spostano quando le molecole di gas entrano in essi. Includendo questi movimenti, insieme a nuovi tipi di modifiche chimiche e persino strutture generate al computer che non esistono ancora in natura, il team ha fornito una mappa più realistica e completa per trovare i migliori materiali per la cattura del carbonio.

Il nucleo di questo lavoro affronta un difetto specifico nel modo in cui gli scienziati modellavano precedentemente questi materiali. Negli studi precedenti, i ricercatori spesso assumevano che il framework metal-organico rimanesse esattamente della stessa forma, sia che fosse vuoto che pieno di gas. Nella realtà, quando una molecola di gas entra in un poro, può spingere leggermente il framework, causando la deformazione del materiale. Questa deformazione cambia l'energia necessaria per trattenere il gas. Il nuovo dataset corregge questo aspetto eseguendo simulazioni in cui il framework è lasciato rilassarsi e trovare la sua forma più stabile dopo che una molecola di gas è entrata, e di nuovo dopo che il gas è uscito. Questo processo ha rivelato che molti materiali precedentemente ritenuti forti candidati per la cattura del carbonio potrebbero essere in realtà meno efficaci una volta presa in considerazione la loro flessibilità. I ricercatori hanno scoperto che ignorare questo movimento potrebbe portare a errori significativi nella previsione di quanto un materiale funzioni, rendendo talvolta un materiale molto migliore di quanto non sia realmente.

Per costruire questo dataset, il team non si è limitato a guardare i materiali esistenti; ha ampliato lo spazio chimico in diversi modi. Ha aggiunto azoto e ossigeno al mix, gas che sono abbondanti nell'aria e competono con l'anidride carbonica per lo spazio all'interno dei pori. Ha inoltre creato nuove versioni dei framework attaccando gruppi amminici — strutture chimiche note per attrarre l'anidride carbonica — ai siti metallici o ai collegamenti del framework. Inoltre, ha utilizzato algoriti informatici per generare migliaia di strutture ipotetiche che sono chimicamente valide ma non sono ancora state sintetizzate in laboratorio. Queste strutture sintetiche hanno esplorato geometrie con pori più grandi e densità inferiori rispetto a quelle attualmente presenti nei database sperimentali, testando efficacemente i limiti di ciò che questi materiali potrebbero teoricamente essere.

Il volume enorme di dati richiesto per addestrare la prossima generazione di modelli di intelligenza artificiale è impressionante. Il team ha eseguito quasi 60 milioni di calcoli individuali, un compito che sarebbe impossibile completare in un ambiente di laboratorio. Hanno utilizzato un metodo chiamato teoria del funzionale della densità, un modo ad alta precisione per calcolare come gli elettroni si comportano in atomi e molecole, per determinare l'energia di ogni interazione. Per garantire la precisione di questi calcoli, hanno corretto gli errori numerici che possono verificarsi simulando i pattern ripetitivi delle strutture cristalline. Hanno anche incluso configurazioni ad alta energia e instabili delle molecole di gas all'interno dei pori, necessarie per addestrare i modelli informatici a prevedere il comportamento dei materiali sotto una vasta gamma di condizioni, non solo nel loro stato più confortevole.

Con questo dataset in mano, i ricercatori hanno addestrato diversi modelli avanzati di apprendimento automatico per prevedere le proprietà di questi materiali senza dover eseguire ogni volta i costosi calcoli. Questi modelli, che fungono da scorciatoia per la complessa fisica, sono stati testati sulla loro capacità di prevedere quanto gas un materiale possa contenere a basse pressioni, un parametro chiave di prestazione. I risultati hanno mostrato che i modelli addestrati su questo nuovo dato, più realistico, erano significativamente più accurati rispetto a quelli addestrati su dati precedenti e semplificati. Erano più bravi a prevedere il comportamento dei materiali, inclusa la deformazione dei framework e la competizione tra i diversi gas. Questo miglioramento è cruciale perché significa che gli scienziati possono ora esaminare migliaia di potenziali materiali con un livello di fiducia precedentemente irraggiungibile.

Lo studio ha anche sottolineato l'importanza di includere tutti i gas presenti nell'aria, non solo l'anidride carbonica. Simulando come l'azoto e l'ossigeno interagiscono con i framework, i ricercatori hanno potuto identificare materiali che potrebbero essere selettivi per l'anidride carbonica anche in presenza di questi altri gas. Hanno scoperto che alcuni materiali mostrano una forte preferenza per l'azoto o l'ossigeno, il che rappresenterebbe un problema per le applicazioni di cattura del carbonio. Questo livello di dettaglio aiuta i ricercatori a evitare di perdere tempo con materiali che potrebbero sembrare validi in un test semplice, ma che fallirebbero nell'ambiente complesso dell'aria reale.

Sebbene il dataset sia uno strumento potente, i ricercatori tengono precisamente a segnalarne i limiti. Le simulazioni si basano su specifiche approssimazioni matematiche per l'interazione tra elettroni, che possono talvolta avere difficoltà con certi tipi di reazioni chimiche, in particolare quelle che coinvolgono l'ossigeno. Riconoscono che per le applicazioni più critiche sarà necessario un ulteriore test con metodi più complessi. Tuttavia, il dataset fornisce una base robusta che è decisamente superiore ai modelli semplificati utilizzati in passato. Rendendo questi dati e i modelli addestrati accessibili al pubblico, il team spera di dare forza ad altri scienziati per progettare migliori materiali più velocemente, avvicinando il campo a soluzioni pratiche e su larga scala.

Il lavoro rappresenta un passaggio dal considerare questi materiali come oggetti statici al comprenderli come sistemi dinamici che cambiano in risposta al loro ambiente. Questo cambiamento permette una valutazione più onesta di quali materiali funzioneranno nel mondo reale. Il dataset include quasi 60 milioni di punti dati, coprendo una vasta gamma di possibilità chimiche, dai materiali che conosciamo oggi a quelli che abbiamo solo immaginato. Serve come una guida completa per la prossima generazione di scoperte, assicurando che quando nuovi materiali verranno costruiti, siano costruiti su una base di scienza accurata, dettagliata e realistica. L'obiettivo finale è trovare un materiale che possa estrarre in modo efficiente ed economico l'anidride carbonica dal cielo, e questa nuova risorsa fornisce la mappa più chiara finora per trovarlo.

Sommerso dagli articoli nel tuo campo?

Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.

Prova Digest →