Más de 31.000 moléculas aplicables a futuras baterías de flujo

Científicos del Instituto Holandés para la Investigación de la Energía Fundamental (DIFFER) han creado una base de datos de 31.618 moléculas que podrían utilizarse en futuras baterías de flujo.

Estas baterías son una gran promesa para el almacenamiento de energía. Entre otras cosas, los investigadores utilizaron inteligencia artificial y supercomputadoras para identificar las propiedades de las moléculas. Publican sus hallazgos en la revista Scientific Data.

En los últimos años, los químicos han diseñado cientos de moléculas que podrían ser potencialmente útiles en baterías de flujo para el almacenamiento de energía. Sería maravilloso, imaginaron los investigadores de DIFFER en Eindhoven (Países Bajos), si las propiedades de estas moléculas fueran rápida y fácilmente accesibles en una base de datos. El problema, sin embargo, es que se desconocen las propiedades de muchas moléculas. Ejemplos de propiedades moleculares son el potencial redox (reducción-oxidación) y la solubilidad en agua. Esos son importantes ya que están relacionados con la capacidad de generación de energía y la densidad de energía de las baterías de flujo redox.

Para descubrir las propiedades aún desconocidas de las moléculas, los investigadores realizaron cuatro pasos. Primero, usaron una computadora de escritorio y algoritmos inteligentes para crear miles de variantes virtuales de dos tipos de moléculas. Estas familias de moléculas, las quinonas y los aza aromáticos, son buenas para aceptar y donar electrones de forma reversible. Eso es importante para las baterías. Los investigadores alimentaron la computadora con estructuras de columna vertebral de 24 quinonas y 28 aza-aromáticos más cinco grupos laterales diferentes químicamente relevantes. A partir de eso, la computadora creó 31.618 moléculas diferentes.

En el segundo paso, los investigadores utilizaron supercomputadoras para calcular casi 300 propiedades diferentes de cada molécula. La computadora usa ecuaciones de la química cuántica para hacer esto. Debido a que estas fórmulas son difíciles de resolver, una poderosa supercomputadora es una herramienta útil.

En el tercer paso, los investigadores utilizaron el aprendizaje automático para predecir si las moléculas se disolverían en agua.

El cuarto y último paso consistió en crear una base de datos legible tanto por humanos como por máquinas. La base de datos, llamada RedDB (de Redox DataBase), contiene las moléculas y sus propiedades con nombres y descripciones convenientes.

"Cuando trabajas con modelos teóricos y aprendizaje automático, obviamente quieres tener confianza en los resultados", dice en un comunicado Süleyman Er, líder del grupo de investigación de descubrimiento de materiales energéticos autónomos de DIFFER. "Es por eso que utilizamos programas informáticos que han demostrado su excelencia. Para este propósito, también implementamos procedimientos de validación dedicados".

Ahora que la base de datos es pública, los investigadores, incluidos los que están fuera de DIFFER, pueden buscar fácilmente moléculas potencialmente interesantes para las baterías de flujo redox. Por ejemplo, pueden simplemente comprar o sintetizar las moléculas e investigarlas más. Además, los investigadores pueden usar la base de datos para mejorar sus modelos de aprendizaje automático para acelerar el diseño de moléculas de alta calidad para el almacenamiento de energía.