La comunidad mundial enfrenta el desafío de abordar el impacto del aumento de los niveles de dióxido de carbono (CO2) en el cambio climático. Para abordar esto, se están desarrollando tecnologías innovadoras. La captura directa de aire (DAC) es un enfoque muy importante. DAC implica capturar CO2 directamente de la atmósfera, y su implementación es crucial en la lucha contra el cambio climático. Sin embargo, los altos costos asociados con DAC han obstaculizado su adopción generalizada.
Un aspecto importante del DAC es su dependencia de materiales absorbentes y, entre las diversas opciones, las estructuras metal-orgánicas (MOF) han llamado la atención. Los MOF ofrecen ventajas como modularidad, flexibilidad y capacidad de ajuste. A diferencia de los materiales absorbentes convencionales que requieren mucha energía para ser restaurados, las estructuras metal-orgánicas (MOF) ofrecen una alternativa más eficiente energéticamente al permitir la regeneración a temperaturas más bajas. Esto convierte a los MOF en una opción prometedora y respetuosa con el medio ambiente para diversas aplicaciones.
Pero identificar sorbentes adecuados para DAC es una tarea compleja debido al vasto espacio químico que hay que explorar y a la necesidad de comprender el comportamiento de los materiales en diferentes condiciones de humedad y temperatura. La humedad, en particular, plantea un desafío importante, ya que puede afectar la adsorción y provocar la degradación del sorbente con el tiempo.
En respuesta a este desafío, el proyecto OpenDAC surgió como un esfuerzo de investigación colaborativo entre Fundamental AI Research (FAIR) en Meta y Georgia Tech. El objetivo principal de OpenDAC es reducir significativamente el costo de DAC mediante la identificación de nuevos sorbentes: materiales capaces de extraer CO2 del aire de manera eficiente. Descubrir estos sorbentes es clave para que DAC sea económicamente viable y escalable.
Los investigadores realizaron una extensa investigación que resultó en la creación del conjunto de datos OpenDAC 2023 (ODAC23). Este conjunto de datos es una recopilación de más de 38 millones de cálculos de teoría funcional de densidad (DFT) en más de 8800 materiales MOF, que abarcan CO2 y H2O adsorbidos. ODAC23 es el conjunto de datos más grande de cálculos de adsorción de MOF a nivel DFT y ofrece información valiosa sobre las propiedades y la relajación estructural de los MOF.
Además, OpenDAC lanzó el conjunto de datos ODAC23 a la comunidad de investigación en general y a la industria emergente de DAC. El objetivo es fomentar la colaboración y proporcionar un recurso fundamental para desarrollar modelos de aprendizaje automático (ML).
Los investigadores pueden identificar los MOF fácilmente aproximando cálculos a nivel DFT utilizando modelos de aprendizaje automático de última generación entrenados en el conjunto de datos ODAC23.
En conclusión, el proyecto OpenDAC representa un avance significativo en la mejora de la asequibilidad y accesibilidad de Direct Air Capture (DAC). Al aprovechar las fortalezas de los marcos metal-orgánicos (MOF) y emplear métodos computacionales de vanguardia, OpenDAC está bien posicionado para impulsar el progreso en la tecnología de captura de carbono. El conjunto de datos ODAC23, ahora abierto al público, marca una contribución al esfuerzo colectivo para combatir el cambio climático, ofreciendo una gran cantidad de información más allá de las aplicaciones DAC.
Revisar la Papel y Proyecto. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 32k+ ML, Comunidad de Facebook de más de 40.000 personas, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
también estamos en Telegrama y WhatsApp.
Rachit Ranjan es pasante de consultoría en MarktechPost. Actualmente está cursando su B.Tech en el Instituto Indio de Tecnología (IIT) de Patna. Está dando forma activamente a su carrera en el campo de la inteligencia artificial y la ciencia de datos y le apasiona y se dedica a explorar estos campos.