Una nueva colaboración entre investigadores del ICMAT, Repsol y la spin-off del CSIC Aitenea estudia cómo a través del machine learning se puede explorar de forma eficiente el espacio químico. En concreto, tratan de seleccionar moléculas que, potencialmente, pudieran buena eficacia como dispersantes para su aplicación al diseño de lubricantes para combustibles. El trabajo será presentado el próximo 7 de julio en el marco de la jornada virtual “La inteligencia Artificial en el descubrimiento de materiales inteligentes y en la mejora de procesos en la industria química”, organizada por la Plataforma Tecnológica Española de Materiales Avanzados y Nanomateriales (MATERPLAT), la Plataforma Tecnológica de Química Sostenible (SUSCHEM) y la Plataforma Española de Tecnologías de Modelización, Simulación y Optimización en un Entorno Digital (PET MSO-ED).
Técnicas de áreas como la inteligencia artificial (IA), machine learning, big data, deep learning o data mining son cada vez más utilizadas para optimizar y desarrollar procesos aplicados a diferentes campos; entre ellos, el desarrollo de materiales y compuestos químicos es uno de los que más se sirven de estas. Un grupo de investigadores del ICMAT, entre los que se encuentran Roi Naveiro y David Ríos, ha iniciado una línea de investigación para la aplicación de estas técnicas en la búsqueda y diseño de lubricantes para combustibles. Estos son dispersantes que se encuentran en el aceite de motor y cuya labor principal es mantener las partículas de hollín suspendidas en el aceite, así se podrán mantener limpios y libres de depósitos.
En colaboración con Aitenea, una spin-off del CSIC de reciente creación liderada por Nuria Campillo (Centro de Investigaciones Biológicas, CIB), y Repsol, utilizan aprendizaje automático para explorar el espacio químico de una forma eficiente y seleccionar, así, aquellas moléculas que, potencialmente, pudieran tener buena eficacia como dispersantes. Para llegar a ello, parten de tres escenarios: que el espacio químico es inmenso y que encontrar moléculas con un valor óptimo de cierta propiedad es complicado; que es muy costoso sintetizar moléculas nuevas para medir el valor de cierta propiedad y que, antes de sintetizar nuevas moléculas, es conveniente preseleccionar las que sean consideradas prometedoras.
De este estudio hablará Naveiro en la mesa redonda “La Inteligencia Artificial en el descubrimiento de materiales inteligentes y en la mejora de procesos en la industria química”, organizada para el próximo 7 de julio a las 11:00 por la Plataforma Tecnológica Española de Materiales Avanzados y Nanomateriales (MATERPLAT), la Plataforma Tecnológica de Química Sostenible (SUSCHEM) y la Plataforma Española de Tecnologías de Modelización, Simulación y Optimización en un Entorno Digital (PET MSO-ED). En ella, se darán a conocer en total seis investigaciones sobre este tema puestas en marcha en España. Participarán ponentes del ámbito académico -de instituciones como IMDEA Materiales, CIC energiGUNE e ICMAT- y de empresas industriales -como Repsol o DuPont Water Solutions-. Moderará el debate Peregrina Quintela, catedrática investigadora de Matemática Aplicada (USC) y presidenta de PET-MSO-ED.
El programa completo del evento puede consultarse en este enlace. El evento será online y requiere de inscripción previa.
Resumen “Inteligencia Artificial en el diseño de lubricantes”, Roi Naveiro (ICMAT)
Para mantener los motores de diésel limpios y libres de depósitos, se utilizan comúnmente dispersantes que, junto con detergentes, se encuentran en el aceite de motor. La función principal de los dispersantes es mantener las partículas de hollín del motor diésel suspendidas en el aceite (dispersas).
En general, los dispersantes comerciales son moléculas poliméricas similares a tensioactivos, que comprenden: al menos un componente de la cadena principal polimérica de ‘cola’ hidrófoba y soluble en aceite, que es predominantemente poliisobutileno (PIB), y al menos una unidad de ‘cabeza’ polar hidrófila, capaz de interactuar con entidades polares en el aceite (principalmente partículas de lodo de hollín), mitigando así los efectos nocivos de las aglomeraciones de partículas dentro del cárter. Un diseño de dispersante eficiente requiere adaptar la naturaleza de las interacciones de estos compuestos para cumplir con las características de rendimiento del motor. Para conseguir esto, es necesario ajustar una serie de parámetros.
A pesar de la riqueza de conocimientos respecto a las relaciones estructura-propiedad, la producción química de los dispersantes comerciales hoy en día sigue siendo limitada. Por lo tanto, hay muchas posibilidades para mejorar las propiedades de este tipo de aditivos, su procesamiento, diseño y rendimiento general, así como la optimización de propiedades específicas del rendimiento del motor.
El diseño de los dispersantes generalmente se realiza mediante ensayo y error guiado por la intuición química. No obstante, este proceso es costoso y requiere mucho tiempo. El uso de herramientas de inteligencia artificial tiene el potencial de guiar el diseño de materiales de próxima generación, permitiendo ahorros tanto económicos como de tiempo.
En este trabajo, que surge de una colaboración público-privada, se estudia la aplicación de herramientas de aprendizaje automático para la detección de moléculas dispersantes. Este enfoque aprovecha la posibilidad de entrenar modelos predictivos utilizando el rendimiento de dispersantes de compuestos conocidos. Estos modelos pueden ser posteriormente optimizados para identificar y evaluar nuevos candidatos con actividad optimizada. En particular, se han desarrollado dos estrategias complementarias utilizando aprendizaje supervisado y no supervisado. Estos modelos QSPR (Quantitative-Structure-Property-Relationship) permiten predecir el rendimiento de nuevos dispersantes y así identificar a los candidatos más prometedores.
Más información