Accelerare la scoperta di MOF per lo stoccaggio dell'idrogeno tramite apprendimento automatico in applicazioni energetiche

Perché è importante per l'energia pulita

L'idrogeno è spesso considerato il combustibile pulito del futuro, ma esiste un problema pratico persistente: è molto leggero, quindi immagazzinare a sufficienza idrogeno in un serbatoio compatto e sicuro per auto, camion o navi è difficile. Questo articolo mostra come i metodi informatici, in particolare l'apprendimento automatico, possano setacciare quasi centomila materiali porosi avanzati, chiamati framework metal-organici (MOF), per individuare quelli in grado di immagazzinare idrogeno in modo denso ed efficiente. Il lavoro indica percorsi più rapidi ed economici per identificare la prossima generazione di serbatoi per l'idrogeno che potrebbero aiutare la società a distaccarsi dai combustibili fossili.

Materiali-spugna su misura

I MOF sono materiali cristallini che, a livello molecolare, assomigliano a impalcature intricate con enorme area superficiale interna e spazi vuoti. Queste piccole “spugne” possono catturare e rilasciare molecole di gas come l'idrogeno ripetutamente. Sostituendo i blocchi metallici e i leganti organici, gli scienziati possono modulare la dimensione, la forma e l'apertura dei pori dei MOF. Proprietà come la frazione di vuoto, il volume di poro e l'area superficiale esposta alle molecole di gas si rivelano più importanti per lo stoccaggio dell'idrogeno rispetto alla ricetta chimica esatta. La sfida è che, sebbene i database contengano oltre 100.000 possibili strutture di MOF, solo una piccola frazione è stata sintetizzata e testata in laboratorio, e le simulazioni dettagliate al computer per ogni candidato sono molto costose.

Lasciare che i computer esplorino le possibilità

Per affrontare questo collo di bottiglia, gli autori combinano simulazioni ad alta accuratezza dell'adsorbimento dei gas con l'apprendimento automatico. Partono da un database esistente chiamato HyMARC, che elenca 98.695 MOF provenienti da vari gruppi di ricerca e università. Per ciascun MOF usano strumenti di simulazione consolidati per calcolare quanto idrogeno può contenere e poi rilasciare in un ciclo realistico di “variazione temperatura-pressione”: il materiale viene riempito di idrogeno a temperatura molto bassa e alta pressione, quindi riscaldato e depressurizzato per erogare il gas. Da ogni struttura cristallina estraggono soltanto sette descrittori geometrici, tra cui densità, volume di poro, diverse misure di area superficiale e due diametri caratteristici dei pori. Questi numeri semplici catturano quanto spazio e quanta superficie le molecole di idrogeno possono esplorare all'interno di ciascun MOF.

Addestrare reti neurali a valutare la capacità di stoccaggio

Il team addestra quindi due tipi di reti neurali — modelli feed-forward e di riconoscimento di pattern — per apprendere il legame tra quei sette descrittori strutturali e due risultati chiave: quanto idrogeno viene immagazzinato in peso (capacità gravimetrica) e in volume (capacità volumetrica). Un metodo di ottimizzazione ispirato alla fisica, chiamato Equilibrium Optimizer, regola automaticamente la dimensione e l'architettura di ciascuna rete per minimizzare l'errore di previsione. Dopo l'addestramento sulla maggior parte del database e la riserva di una porzione per i test, i modelli riproducono i risultati delle simulazioni con notevole accuratezza, specialmente per la capacità gravimetrica. L'analisi conferma anche tendenze fisicamente sensate: i MOF con maggiore volume di poro e frazione di vuoto tendono a immagazzinare più idrogeno in peso, mentre lo stoccaggio volumetrico è massimizzato a una densità intermedia in cui porosità e impaccamento sono ben bilanciati.

Individuare materiali di spicco in un campo affollato

Dotati di queste reti addestrate, i ricercatori scansionano rapidamente tutti i 98.695 MOF per segnalare candidati promettenti, quindi verificano i migliori con simulazioni complete. Usano un MOF ben noto chiamato MOF-5 come punto di riferimento e applicano anche gli ambiziosi obiettivi del Dipartimento dell'Energia degli Stati Uniti per lo stoccaggio dell'idrogeno. Il loro screening identifica 1.289 MOF che soddisfano o superano simultaneamente questi obiettivi e, all'interno di quel gruppo, 12 strutture che superano MOF-5 sia per prestazioni basate sul peso sia sul volume. Molti di questi migliori performer condividono tratti simili — densità moderata, area superficiale consistente ma non estrema e alto spazio interno vuoto — e diversi provengono da un database ipotetico assemblato dalla Northwestern University, evidenziando il valore dell'esplorazione di progetti ancora non sintetizzati.

Cosa significa per i futuri serbatoi di idrogeno

In termini chiari, questo studio dimostra che un piccolo insieme di caratteristiche strutturali facili da calcolare, combinate con reti neurali ben progettate, può sostituire simulazioni molto più dispendiose in termini di tempo nella ricerca di materiali per lo stoccaggio dell'idrogeno. L'approccio non può ancora garantire che ogni MOF suggerito sia facile da sintetizzare o meccanicamente stabile, ma restringe notevolmente la ricerca a una lista breve gestibile che i chimici possono testare. Rivelando quali tratti geometrici contano di più e mettendo in luce specifici candidati ad alta capacità, questo lavoro avvicina i serbatoi pratici e compatti per l'idrogeno e illustra come gli strumenti guidati dai dati possano accelerare la scoperta di materiali per un sistema energetico più pulito.

Citazione: 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

Parole chiave: stoccaggio dell'idrogeno, materiali organometallici porosi, apprendimento automatico, materiali porosi, scoperta di materiali energetici