Inteligencia artificial impulsa desarrollo de plásticos más resistentes

Una nueva estrategia para fortalecer los materiales poliméricos podría dar lugar a plásticos más duraderos y reducir los residuos plásticos, según informan investigadores del MIT y la Universidad de Duke.
Fuente: David W. Kastner | MIT News.

De acuerdo con un estudio publicado en ACS Central Science y reportado por Anne Trafton para MIT News, investigadores del Massachusetts Institute of Technology (MIT) y la Universidad de Duke desarrollaron una estrategia para reforzar materiales poliméricos mediante el uso de inteligencia artificial (IA). El enfoque permite identificar moléculas de enlace cruzado —mecanóforos— que aumentan la capacidad de los polímeros para soportar esfuerzos mecánicos sin romperse.

Los mecanóforos son moléculas que modifican su estructura o propiedades en respuesta a una fuerza mecánica. En este caso, el equipo se centró en compuestos organometálicos llamados ferrocenos, formados por un átomo de hierro entre dos anillos de carbono. Aunque algunos ferrocenos se emplean como catalizadores o fármacos, su potencial como mecanóforos ha sido poco explorado.

Contenido destacado

Hablemos de plásticos: reciclaje químico y balance de masa LEER MÁS

Reciclaje de plásticos en LATAM: tensiones, avances y regulación LEER MÁS

De manufactura a proveedor de precisión: la trayectoria de Coplainsa LEER MÁS

Según Heather Kulik, profesora Lammot du Pont de Ingeniería Química y de Química en el MIT, la incorporación de estos compuestos en la red de un polímero puede mejorar su resiliencia. En lugar de fracturarse, el material disipa la energía a través de los enlaces más débiles, forzando a las grietas a seguir rutas más largas y aumentando la resistencia global.

El estudio se basa en trabajos previos de 2023, en los que se demostró que enlaces cruzados más débiles pueden reforzar la matriz polimérica. Para avanzar, el equipo necesitaba identificar candidatos óptimos entre miles de mecanóforos potenciales. La caracterización experimental de cada uno puede tomar semanas, mientras que las simulaciones computacionales requieren varios días.

Para acelerar el proceso, el grupo de investigación recurrió a un modelo de aprendizaje automático. A partir de la Cambridge Structural Database, que incluye estructuras de 5,000 ferrocenos sintetizados, se seleccionaron 400 compuestos para simulaciones de fuerza de separación atómica. Con estos datos y la información estructural, entrenaron una red neuronal capaz de predecir la fuerza necesaria para activar el mecanóforo en otros 4,500 compuestos del repositorio, así como en 7,000 variantes generadas con modificaciones atómicas.

Los resultados revelaron dos características asociadas a una mayor resistencia al desgarro: interacciones específicas entre los grupos químicos unidos a los anillos de ferroceno y la presencia de sustituyentes voluminosos en ambos anillos. Este segundo hallazgo, señala Kulik, no habría sido evidente sin el análisis asistido por IA.

Validación experimental y resultados

Con base en estas predicciones, el equipo seleccionó aproximadamente 100 candidatos, de los cuales se sintetizó uno para pruebas: m-TMS-Fc, incorporado como enlace cruzado en poliacrilato. Las pruebas mecánicas, realizadas en el laboratorio de Stephen Craig en Duke, mostraron que este polímero era alrededor de cuatro veces más resistente al desgarro que uno con ferroceno estándar.

Ilia Kevlishvili, autor principal y posdoctorante en el MIT, destacó que este tipo de avances podría extender la vida útil de los plásticos y contribuir a la reducción de desechos. Además, la metodología podría aplicarse a la búsqueda de mecanóforos con otras propiedades funcionales, como cambio de color o activación catalítica bajo tensión, con potencial en sensores de esfuerzo, catalizadores conmutables y aplicaciones biomédicas.

El equipo planea ampliar la investigación a mecanóforos que contengan metales de transición, aprovechando la capacidad del flujo de trabajo computacional para explorar moléculas ya sintetizadas, pero con propiedades poco caracterizadas. El proyecto recibió financiación de la National Science Foundation a través del Center for the Chemistry of Molecularly Optimized Networks (MONET).