El campo de la ciencia de los materiales se basa en la química computacional para analizar las propiedades de las moléculas que utilizamos para diseñar el entorno construido que nos rodea.
Desde el pavimento bajo nuestros pies hasta las vigas de acero sobre nuestras cabezas, o la forma en que recolectamos y almacenamos energía.
Predecir la reactividad química puede ayudarnos a comprender cómo los materiales interactuarán entre sí, envejecerán con el tiempo y se degradarán de manera segura en el medio ambiente durante el transcurso del ciclo de vida de un producto.
Hacer que la química computacional sea más eficiente puede ayudar a disminuir su impacto ambiental, costos y democratizar el acceso a simulaciones computacionales en dispositivos con restricciones reducidas.
En su laboratorio, el Dr. Francisco Martín-Martínez, experto en química computacional del King’s College de Londres, comenzó a trabajar para comprender la capacidad de la naturaleza para diseñar materiales que se degraden y que sean resistentes.
En colaboración con el Dr. José Norambuena-Contreras, experto en asfalto autorreparador de la Universidad de Swansea, así como con colegas de Chile.
El experto y su equipo han colaborado para diseñar un asfalto autorreparador que pueda reparar sus propias grietas con el tiempo, sin necesidad de mantenimiento humano.
Al utilizar Google Cloud para comprender las mezclas de asfalto a través de modelos computacionales, desarrollaron esporas de base biológica extremadamente resistentes para usarlas como un material más resistente para pavimentos.
En una prueba de laboratorio, estas microcápsulas de esporas de base biológica repararon por completo una grieta en una muestra de betún envejecido en cincuenta minutos.
Si bien aún se encuentra en desarrollo, esta innovación tiene un enorme potencial para mejorar la infraestructura y promover la sostenibilidad en todo el mundo.
En el pasado, producir estos modelos computacionales era lento y costoso. Pero la llegada de la computación en la nube y el aprendizaje automático está revolucionando el campo.
Inspirado por la naturaleza, Martin-Martinez describe su objetivo como “desarrollar nuevas herramientas de química computacional que aceleren las predicciones de propiedades y el descubrimiento molecular con especial atención a la reactividad química y la degradabilidad molecular informadas por la naturaleza”.
Estas herramientas basadas en la nube pueden descubrir propiedades químicas y, eventualmente, crear moléculas virtuales para cumplir un propósito específico, como en el descubrimiento de fármacos.
El equipo de Martin-Martinez trabajó con su colega de la Universidad de Granada Isaac Vidal-Daza para desplegar grandes conjuntos de datos para entrenar autocodificadores variacionales, redes neuronales recurrentes o redes generativas adversarias.
Luego, utilizando el aprendizaje automático, pueden predecir las propiedades químicas de moléculas y materiales complejos y simular su comportamiento desde la nanoescala hasta la mesoescala.
Han desarrollado nuevas métricas para cuantificar la reactividad de átomos individuales dentro de la reactividad de moléculas colectivas, y las han calculado en diferentes conjuntos de datos moleculares de 130.000 a 30 millones de moléculas.
Con una media de 18 átomos y 60 electrones interactuantes por molécula, predecir la reactividad de estas 130.000 moléculas implicó resolver 3,7*10¹⁰ integrales, lo que gracias al uso de Google Cloud, se realizó en tan solo unos días.
Con información de: Qpasa
