Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS
High-throughput Discovery of Catalysts for the Hydrogen Economy through Machine Learning

Article Category

Article available in the following languages:

Un catalizador más barato para producir energía a partir de hidrógeno

Los investigadores utilizan química computacional e inteligencia artificial para encontrar catalizadores nuevos y más rentables para producir hidrógeno y generar energía.

Gracias a su combinación única de escalabilidad, almacenamiento a largo plazo y portabilidad, el hidrógeno ha surgido como una fuente prometedora de energía renovable. Sin embargo, para convertir esta promesa en progreso primero es necesario que no solo seamos capaces de producir hidrógeno a partir de agua y energía a partir de hidrógeno, sino que podamos hacerlo de manera rentable. Para ello, existe el proyecto financiado con fondos europeos HighHydrogenML(se abrirá en una nueva ventana). «Nuestro objetivo es encontrar materiales baratos y no escasos que puedan servir como catalizadores para dos de las principales reacciones implicadas en la producción de hidrógeno y la generación de energía, como la reacción de evolución de hidrógeno y la reacción de reducción de oxígeno», explica Valentin Vassilev-Galindo(se abrirá en una nueva ventana), becario posdoctoral de las acciones Marie Skłodowska-Curie(se abrirá en una nueva ventana) que codirige el proyecto en el Instituto IMDEA de Materiales(se abrirá en una nueva ventana).

Descubrir nuevos catalizadores potenciales

Según Vassilev-Galindo, la reacción de evolución de hidrógeno (REH) y la reacción de reducción de oxígeno (RRO) normalmente se catalizan utilizando materiales a base de platino (Pt). «El problema de estos materiales es que suelen ser bastante caros», afirma. «Como alternativa, combinamos la química computacional y la inteligencia artificial para proponer catalizadores nuevos y más rentables tanto para REH como para RRO». En concreto, los investigadores realizaron cálculos de la teoría funcional de la densidad (TFD) para obtener un conjunto de datos de energías de adsorción de los adsorbatos implicados en REH y RRO para una variedad de materiales. La TFD es un método computacional utilizado en química cuántica para estudiar la estructura electrónica de sistemas de muchos cuerpos, como átomos, moléculas y sólidos. La adsorción es el proceso por el que moléculas, átomos o iones se adhieren a la superficie de un material, a diferencia de la absorción, en la que penetran en el grueso del material. Este conjunto de datos se utilizó luego a fin de entrenar modelos de aprendizaje automático para predecir las energías de adsorción con precisión TFD a una fracción del coste computacional. Los modelos se utilizaron posteriormente para examinar una lista de materiales desconocidos y seleccionar aquellos que presentaban energías de adsorción similares al Pt. «Estas predicciones nos permitieron encontrar nuevos potenciales catalizadores que fueron sintetizados y probados por colegas experimentales, alcanzando el mejor de ellos hasta un 71 % de la eficacia del Pt para el REH», añade Vassilev-Galindo.

Usar la inteligencia artificial para descubrir nuevos materiales

El proyecto también desarrolló una estrategia de inteligencia artificial explicable (IAE) para descubrir nuevos materiales que podrían servir como catalizadores para REH y RRO. «Hasta ahora, todos los métodos basados en inteligencia artificial (IA) se centraban únicamente en encontrar materiales con la propiedad deseada», señala Vassilev-Galindo. «Ahora, con nuestra propuesta de estrategia de IAE, también sería posible obtener información sobre qué hace que un material determinado sea mejor que otros y alcanzar un conocimiento químico y físico sin precedentes de las propiedades de los materiales».

Hacer realidad la energía del hidrógeno

El trabajo del proyecto representa un paso importante para hacer realidad el uso generalizado de la energía del hidrógeno. «HighHydrogenML es un elemento más de un gran rompecabezas que, con el tiempo, proporcionará energía sostenible a través de una economía del hidrógeno eficiente y asequible», concluye Vassilev-Galindo. Vassilev-Galindo planea continuar desarrollando y aplicando planteamientos de IAE para abordar los desafíos de la química computacional, así como para obtener nuevos conocimientos sobre la química y la física de las moléculas y los materiales. Su esperanza es que este trabajo conduzca a conocimientos y descubrimientos que tengan un impacto positivo en la industria, la salud, el medio ambiente y la sociedad en general.

Descubra otros artículos del mismo campo de aplicación

Mi folleto 0 0