← Últimos artigos
🔬 ciência dos materiais

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

O artigo apresenta o conjunto de dados Open DAC 2025 (ODAC25), composto por quase 60 milhões de cálculos de DFT em aproximadamente 15.000 estruturas metalorgânicas deformáveis para permitir a triagem de alta resolução impulsionada por aprendizado de máquina para materiais de captura direta de ar.

Autor original: 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
Publicado 2026-11-18
📖 7 min de leitura🧠 Leitura aprofundada

Autor original: 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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Para compreender o desafio de limpar o dióxido de carbono do ar, é preciso primeiro entender os materiais que os cientistas usam para capturá-lo. Imagine uma esponja, mas em vez de ser feita de espuma macia, ela é construída a partir de átomos metálicos conectados por moléculas orgânicas em uma rede tridimensional rígida. Estas são as estruturas metal-orgânicas, ou MOFs. Elas são como esponjas microscópicas com poros tão uniformes e vastos que podem aprisionar moléculas de gases específicos enquanto deixam outros passarem. Durante anos, pesquisadores esperaram usar esses materiais para extrair o dióxido de carbono diretamente da atmosfera, um processo conhecido como captura direta de ar, para ajudar a retardar as mudanças climáticas. O problema é que existem milhões de maneiras possíveis de construir essas esponjas, e testá-las uma a uma em um laboratório é muito lento e caro. Os cientistas recorreram aos computadores para simular como diferentes MOFs se comportam, mas, durante muito tempo, essas simulações basearam-se em regras simplificadas que frequentemente ignoravam as formas sutis e reais pelas quais esses materiais se dobram e mudam quando as moléculas de gás entram neles.

Um novo estudo apresenta uma coleção massiva e aberta de dados projetada para corrigir essas lacunas e acelerar a busca por melhores materiais de limpeza do ar. Os pesquisadores, uma equipe que abrange instituições desde a Meta até o Instituto de Tecnologia da Geórgia, criaram um conjunto de dados chamado Open DAC 2025. Esta coleção contém quase 60 milhões de cálculos computacionais detalhados descrevendo como quatro gases diferentes — dióxido de carbono, vapor de água, nitrogênio e oxigênio — interagem com cerca de 15.000 metal-estruturas orgânicas diferentes. Ao contrário de esforços anteriores que tratavam esses materiais como gaiolas perfeitamente rígidas, este novo conjunto de dados leva em conta o fato de que as estruturas realmente flexionam e se deslocam quando as moléculas de gás entram nelas. Ao incluir esses movimentos, juntamente com novos tipos de modificações químicas e até estruturas geradas por computador que ainda não existem na natureza, a equipe forneceu um mapa mais realista e abrangente para encontrar os melhores materiais para capturar carbono.

O cerne deste trabalho aborda uma falha específica na forma como os cientistas modelavam anteriormente esses materiais. Em estudos anteriores, os pesquisadores frequentemente assumiam que a estrutura metal-orgânica permanecia exatamente com a mesma forma, estivesse ela vazia ou preenchida com gás. Na realidade, quando uma molécula de gás entra em um poro, ela pode empurrar levemente a estrutura, fazendo com que o material se deforme. Essa deformação altera a energia necessária para reter o gás. O novo conjunto de dados corrige isso ao executar simulações onde a estrutura é permitida a relaxar e encontrar sua forma mais estável após uma molécula de gás entrar, e novamente após o gás sair. Esse processo revelou que muitos materiais anteriormente considerados fortes candidatos para a captura de carbono podem, na verdade, ser menos eficazes uma vez que sua flexibilidade é levada em conta. Os pesquisadores descobriram que ignorar esse movimento poderia levar a erros significativos na previsão de quão bem um material funciona, às vezes fazendo um material parecer muito melhor do que realmente é.

Para construir este conjunto de dados, a equipe não apenas olhou para materiais existentes; eles expandiram o espaço químico de várias maneiras. Eles adicionaram nitrogênio e oxigênio à mistura, gases que são abundantes no ar e competem com o dióxido de carbono pelo espaço dentro dos poros. Eles também criaram novas versões das estruturas anexando grupos amina — estruturas químicas conhecidas por atrair o dióxido de carbono — aos sítios metálicos ou aos elos de conexão da estrutura. Além disso, utilizaram algoritmos computacionais para gerar milhares de estruturas hipotéticas que são quimicamente válidas, mas que ainda não foram sintetizadas em laboratório. Essas estruturas sintéticas exploraram geometrias com poros maiores e densidades menores do que o que é encontrado atualmente em bancos de dados experimentais, testando efetivamente os limites do que esses materiais poderiam teoricamente ser.

O volume de dados necessário para treinar a próxima geração de modelos de inteligência artificial é impressionante. A equipe realizou quase 60 milhões de cálculos individuais, uma tarefa que seria impossível de completar em um ambiente de laboratório. Eles utilizaram um método chamado teoria do funcional de densidade, que é uma forma de alta precisão de calcular como os elétrons se comportam em átomos e moléculas, para determinar a energia de cada interação. Para garantir que esses cálculos fossem precisos, eles corrigiram erros numéricos que podem ocorrer ao simular os padrões repetitivos das estruturas cristalinas. Eles também incluíram configurações de alta energia e instáveis de moléculas de gás dentro dos poros, que são necessárias para treinar modelos computacionais para prever como os materiais se comportarão sob uma ampla gama de condições, não apenas em seu estado mais confortável.

Com este conjunto de dados em mãos, os pesquisadores treinaram diversos modelos avançados de aprendizado de máquina para prever as propriedades desses materiais sem a necessidade de realizar os cálculos caros a cada vez. Esses modelos, que atuam como um atalho para a física complexa, foram testados em sua capacidade de prever quanto gás um material conteria sob baixas pressões, uma medida fundamental de desempenho. Os resultados mostraram que os modelos treinados com estes novos dados, mais realistas, foram significativamente mais precisos do que aqueles treinados com dados antigos e simplificados. Eles foram melhores em prever o comportamento dos materiais, incluindo como as estruturas se deformam e como os diferentes gases competem entre si. Este avanço é crucial porque significa que os cientistas agora podem triar milhares de materiais potenciais com um nível de confiança que era anteriormente inalcançável.

O estudo também destacou a importância de incluir todos os gases encontrados no ar, não apenas o dióxido de carbono. Ao simular como o nitrogênio e o oxigênio interagem com as estruturas, os pesquisadores puderam identificar materiais que poderiam ser seletivos para o dióxido de carbono mesmo na presença desses outros gases. Eles descobriram que alguns materiais mostravam uma forte preferência pelo nitrogênio ou oxigênio, o que seria um problema para aplicações de captura de carbono. Este nível de detalhe ajuda os pesquisadores a evitar a perda de tempo com materiais que podem parecer bons em um teste simples, mas que falham no ambiente complexo do ar real.

Embora o conjunto de dados seja uma ferramenta poderosa, os pesquisadores são cuidadosos ao notar suas limitações. As simulações dependem de aproximações matemáticas específicas para como os elétrons interagem, o que pode, por vezes, ter dificuldades com certos tipos de reações químicas, particularmente aquelas envolvendo oxigênio. Eles reconhecem que, para as aplicações mais críticas, testes adicionais com métodos mais complexos serão necessários. No entanto, o conjunto de dados fornece uma base robusta que é muito superior aos modelos simplificados usados no passado. Ao tornar estes dados e os modelos treinados publicamente disponíveis, a equipe espera capacitar outros cientistas a projetar melhores materiais mais rapidamente, aproximando o campo de soluções práticas e em larga escala para a remoção de dióxido de carbono da atmosfera.

O trabalho representa uma mudança de olhar para estes materiais como objetos estáticos para entendê-los como sistemas dinâmicos que mudam em resposta ao seu ambiente. Esta mudança permite uma avaliação mais honesta de quais materiais funcionarão no mundo real. O conjunto de dados inclui quase 60 milhões de pontos de dados, cobrindo uma vasta gama de possibilidades químicas, desde os materiais que conhecemos hoje até aqueles que apenas imaginamos. Ele serve como um guia abrangente para a próxima geração de descobertas, garantindo que, quando novos materiais forem construídos, eles sejam construídos sobre uma base de ciência precisa, detalhada e realista. O objetivo final é encontrar um material que possa extrair o dióxido de carbono do céu de forma eficiente e barata, e este novo recurso fornece o mapa mais claro até agora para encontrá-lo.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →