Acelerando el descubrimiento de MOF para el almacenamiento de hidrógeno mediante aprendizaje automático en aplicaciones energéticas

Por qué esto importa para la energía limpia

El hidrógeno a menudo se presenta como un combustible limpio del futuro, pero existe un problema práctico persistente: es muy ligero, por lo que compactar suficiente hidrógeno en un tanque seguro y pequeño para coches, camiones o barcos es difícil. Este artículo muestra cómo los métodos informáticos, en especial el aprendizaje automático, pueden cribar casi cien mil materiales porosos avanzados, llamados marcos metal-orgánicos (MOF), para encontrar aquellos que pueden almacenar hidrógeno de manera densa y eficiente. El trabajo apunta a rutas más rápidas y económicas para identificar la próxima generación de tanques de hidrógeno que podrían ayudar a alejar a la sociedad de los combustibles fósiles.

Materiales esponja a medida

Los MOF son materiales cristalinos que, a nivel molecular, parecen andamiajes intrincados con enorme área superficial interna y espacio vacío. Estas pequeñas “esponjas” pueden capturar y liberar moléculas de gas como el hidrógeno una y otra vez. Al intercambiar los bloques metálicos y los enlazadores orgánicos, los científicos pueden ajustar el tamaño, la forma y la abertura de los poros de los MOF. Propiedades como cuánto espacio vacío contienen (fracción de vacío), cuánto volumen interior está disponible (volumen de poro) y cuánta área superficial queda expuesta a las moléculas de gas resultan ser más importantes para el almacenamiento de hidrógeno que la receta química exacta. El desafío es que, aunque las bases de datos contienen más de 100 000 posibles estructuras de MOF, solo una pequeña fracción se ha sintetizado y probado en el laboratorio, y las simulaciones informáticas detalladas para cada candidato son muy costosas.

Dejar que los ordenadores exploren las posibilidades

Para abordar este cuello de botella, los autores combinan simulaciones de adsorción de gas de alta precisión con aprendizaje automático. Parten de una base de datos existente llamada HyMARC, que lista 98 695 MOF de varios grupos de investigación y universidades. Para cada MOF utilizan herramientas de simulación establecidas para calcular cuánto hidrógeno puede retener y luego liberar bajo un ciclo realista de “oscilación temperatura‑presión”: el material se llena de hidrógeno a temperatura muy baja y alta presión, luego se calienta y se despresuriza para entregar el gas. De cada estructura cristalina extraen solo siete descriptores geométricos, incluidos la densidad, el volumen de poro, varias medidas de área superficial y dos diámetros característicos de poro. Estos números sencillos capturan cuánto espacio y superficie pueden explorar las moléculas de hidrógeno dentro de cada MOF.

Enseñar a las redes neuronales a juzgar la capacidad de almacenamiento

El equipo entrena entonces dos tipos de redes neuronales —modelos feed‑forward y de reconocimiento de patrones— para aprender la relación entre esos siete descriptores estructurales y dos resultados clave: cuánto hidrógeno se almacena por peso (capacidad gravimétrica) y por volumen (capacidad volumétrica). Un método de optimización inspirado en la física, llamado Equilibrium Optimizer, ajusta automáticamente el tamaño y la disposición de cada red para minimizar los errores de predicción. Tras entrenar con la mayor parte de la base de datos y reservar una porción para pruebas, los modelos reproducen los resultados de las simulaciones con notable precisión, especialmente para el almacenamiento por peso. El análisis también confirma tendencias físicamente sensatas: los MOF con mayor volumen de poro y mayor fracción de vacío almacenan generalmente más hidrógeno por peso, mientras que el almacenamiento volumétrico se maximiza en una densidad intermedia donde la porosidad y el empaquetamiento están bien equilibrados.

Encontrar materiales sobresalientes en un campo abarrotado

Con estas redes entrenadas, los investigadores escanean rápidamente los 98 695 MOF para marcar candidatos prometedores y luego verifican los mejores con simulaciones completas. Usan un MOF bien conocido llamado MOF‑5 como punto de referencia y también aplican los ambiciosos objetivos del Departamento de Energía de EE. UU. para el almacenamiento de hidrógeno. Su cribado identifica 1 289 MOF que cumplen o superan simultáneamente esos objetivos y, dentro de ese grupo, 12 estructuras que superan a MOF‑5 tanto en rendimiento por peso como por volumen. Muchos de estos mejores ejemplos comparten rasgos similares —densidad moderada, área superficial sustancial pero no extrema y alto espacio interno vacío— y varios provienen de una base de datos hipotética ensamblada por la Northwestern University, lo que subraya el valor de explorar diseños aún no sintetizados.

Qué significa esto para los futuros tanques de hidrógeno

En términos claros, este estudio muestra que un pequeño conjunto de características estructurales fáciles de calcular, combinado con redes neuronales bien diseñadas, puede sustituir a simulaciones mucho más lentas al buscar materiales para almacenamiento de hidrógeno. El enfoque no puede todavía garantizar que cada MOF sugerido sea fácil de fabricar o mecánicamente estable, pero reduce enormemente la búsqueda a una lista manejable para que los químicos la prueben. Al revelar qué rasgos geométricos importan más y destacar candidatos específicos de alta capacidad, este trabajo acerca un paso más los tanques de hidrógeno compactos y prácticos e ilustra cómo las herramientas basadas en datos pueden acelerar el descubrimiento de materiales para un sistema energético más limpio.

Cita: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

Palabras clave: almacenamiento de hidrógeno, marcos metal-orgánicos, aprendizaje automático, materiales porosos, descubrimiento de materiales energéticos