Acelerando a descoberta de MOFs para armazenamento de hidrogênio por meio de aprendizado de máquina em aplicações relacionadas à energia

Por que isso importa para a energia limpa

O hidrogênio é frequentemente apontado como um combustível limpo do futuro, mas há um problema prático persistente: ele é muito leve, portanto armazenar hidrogênio suficiente em um tanque compacto e seguro para carros, caminhões ou navios é difícil. Este artigo mostra como métodos computacionais, especialmente aprendizado de máquina, podem vasculhar quase cem mil materiais porosos avançados, chamados estruturas metal–orgânicas (MOFs), para encontrar aqueles capazes de armazenar hidrogênio de forma densa e eficiente. O trabalho aponta para rotas mais rápidas e baratas de identificar a próxima geração de tanques de hidrogênio que poderiam ajudar a deslocar a sociedade dos combustíveis fósseis.

Materiais esponja feitos sob medida

MOFs são materiais cristalinos que, no nível molecular, se assemelham a andaimes intrincados com enorme área de superfície interna e espaço vazio. Essas pequenas “esponjas” podem capturar e liberar moléculas de gás como o hidrogênio repetidas vezes. Ao trocar os blocos metálicos e os ligantes orgânicos, os cientistas podem ajustar o tamanho, a forma e a abertura dos poros dos MOFs. Propriedades como quanto espaço vazio eles contêm (fração de vazio), quanto volume interno está disponível (volume de poros) e quanta área de superfície está exposta às moléculas de gás mostram‑se mais importantes para o armazenamento de hidrogênio do que a receita química exata. O desafio é que, embora bancos de dados contenham bem mais de 100.000 estruturas MOF possíveis, apenas uma pequena fração foi sintetizada e testada em laboratório, e simulações computacionais detalhadas para cada candidato são muito caras.

Deixando os computadores explorarem as possibilidades

Para enfrentar esse gargalo, os autores combinam simulações de adsorção de gás de alta precisão com aprendizado de máquina. Eles partem de um banco de dados existente chamado HyMARC, que lista 98.695 MOFs de vários grupos de pesquisa e universidades. Para cada MOF, usam ferramentas de simulação estabelecidas para calcular quanto hidrogênio ele pode armazenar e então liberar sob um ciclo realista de “variação de temperatura–pressão”: o material é preenchido com hidrogênio em temperatura muito baixa e alta pressão, depois aquecido e despressurizado para liberar o gás. De cada estrutura cristalina extraem apenas sete descritores geométricos, incluindo densidade, volume de poros, várias medidas de área de superfície e dois diâmetros característicos de poros. Esses números simples capturam quanto espaço e superfície as moléculas de hidrogênio podem explorar dentro de cada MOF.

Ensinando redes neurais a avaliar capacidade de armazenamento

A equipe então treina dois tipos de redes neurais — modelos feed‑forward e de reconhecimento de padrões — para aprender a relação entre esses sete descritores estruturais e dois resultados-chave: quanto hidrogênio é armazenado por massa (capacidade gravimétrica) e por volume (capacidade volumétrica). Um método de otimização inspirado pela física, chamado Equilibrium Optimizer, ajusta automaticamente o tamanho e a arquitetura de cada rede para minimizar erros de predição. Após treinar com a maior parte do banco de dados e reservar uma parte para testes, os modelos reproduzem os resultados das simulações com precisão impressionante, especialmente para armazenamento por massa. A análise também confirma tendências fisicamente sensatas: MOFs com maior volume de poros e maior fração de vazio geralmente armazenam mais hidrogênio por massa, enquanto o armazenamento volumétrico é maximizado em uma densidade intermediária onde porosidade e empacotamento estão bem equilibrados.

Encontrando materiais de destaque em um campo lotado

Munidos dessas redes treinadas, os pesquisadores varrem rapidamente os 98.695 MOFs para identificar candidatos promissores e depois checam os melhores com simulações completas. Eles usam um MOF bem conhecido chamado MOF‑5 como ponto de referência e também aplicam metas ambiciosas do Departamento de Energia dos EUA para armazenamento de hidrogênio. A triagem revelou 1.289 MOFs que simultaneamente atendem ou superam essas metas e, dentro desse grupo, 12 estruturas que superam o MOF‑5 tanto em desempenho por massa quanto por volume. Muitos desses melhores desempenhos compartilham traços semelhantes — densidade moderada, área de superfície substancial mas não extrema, e alto espaço interno vazio — e vários vêm de um banco de dados hipotético montado pela Northwestern University, destacando o valor de explorar projetos ainda não sintetizados.

O que isso significa para futuros tanques de hidrogênio

Em termos simples, este estudo mostra que um pequeno conjunto de características estruturais fáceis de calcular, combinado com redes neurais bem projetadas, pode substituir simulações muito mais demoradas na busca por materiais para armazenamento de hidrogênio. A abordagem ainda não garante que todo MOF sugerido será fácil de sintetizar ou mecanicamente estável, mas reduz muito a pesquisa para uma lista gerenciável que químicos podem testar. Ao revelar quais traços geométricos importam mais e destacar candidatos específicos de alta capacidade, este trabalho aproxima tanques de hidrogênio compactos e práticos e ilustra como ferramentas orientadas por dados podem acelerar a descoberta de materiais para um sistema de energia mais limpo.

Citação: 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

Palavras-chave: armazenamento de hidrogênio, estruturas metal-orgânicas, aprendizado de máquina, materiais porosos, descoberta de materiais para energia