Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Machine learning guided discovery of potassium-selective porous silicates

Description du projet

Une méthode prédictive pour la conception de meilleurs matériaux dédiés à la capture d’ions

Les sorbants sélectifs de cations sont conçus pour capturer des ions spécifiques chargés positivement présents dans des mélanges, permettant de purifier l’eau et de récupérer des ressources de valeur. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet CLEANSE entend remplacer le développement traditionnel des matériaux par essais et erreurs par une approche prédictive. Les chercheurs utiliseront des modèles d’apprentissage automatique entraînés sur des données de chimie quantique pour comprendre pourquoi certaines structures microporeuses capturent sélectivement le potassium à partir de mélanges d’ions complexes. Une vaste base de données de matériaux candidats sera analysée en fonction de leur capacité, de leur sélectivité et de leurs propriétés de transport d’ions. Les candidats les plus prometteurs seront synthétisés, structurellement caractérisés et testés expérimentalement, les résultats étant continuellement réinjectés pour affiner les modèles, créant ainsi une boucle itérative qui accélère la conception rationnelle des matériaux de capture d’ions de nouvelle génération.

Objectif

CLEANSE replaces the time-consuming, expensive, and error-prone trial-and-error approach for developing cation-selective sorbents with a predictive, iterative computation-to-experiment loop. First, we will resolve why sodium zirconium cyclosilicate (ZS-9) is highly selective for K+ by training equivariant machine-learning interatomic potentials (MLIPs) on ab initio data and running long (biased) molecular-dynamics simulations under realistic aqueous, multi-ion conditions. These models will also predict experimental observables such as solid-state NMR tensor and Born effective charges for effective NMR and IR spectral prediction. Second, we will perform high-throughput screening of broad synthesizable porous silicate databases, ranking candidates by adsorption capacity, competitive selectivity against Na+/NH4+/H3O+, and diffusion barriers to derive design rules for effective/selective K+ capture. The best candidates will be synthesised and evaluated in laboratory assays, then characterised by solid-state NMR, X-ray diffraction, vibrational spectroscopy and electron microscopy. Experimental results will feed back to refine the models and optimise composition and pore architecture. CLEANSE ensures two-way knowledge transfer between my expertise in advanced simulation and the host’s strengths in synthesis and advanced characterisation, and will generate open, reusable datasets, models and workflows. Outcomes enable data-driven design of ion-exchange materials across water treatment, resource recovery, food and medical applications, while advancing fundamental understanding of selective ion capture in porous silicates.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

UNIVERSIDADE DE AVEIRO
Contribution nette de l'UE
€ 207 183,12
Coût total
Aucune donnée