Hacia el aprendizaje automático para el diseño de nano-electrocatalizadores: generación de una base de datos de puntos cuánticos de grafeno con paladio

LARA GONCEBAT; EMILIANO VICENTIN; GUSTAVO BELLETTI; PAOLA QUAINO

Congreso; XXIV CONGRESO ARGENTINO DE FISICOQUÍMICA Y QUÍMICA INORGÁNICA; 2025

El paladio (Pd), conocido por su excelente actividad electrocatalítica, enfrenta desafíos debido a su alto costo y baja abundancia. Una estrategia para disminuir estos problemas es su uso como adátomos, lo que permite reducir la cantidad de material requerido considerablemente. Además la combinación de metales de transición con soportes carbonosos, como los puntos cuánticos de grafeno (PCG), ha mostrado resultados prometedores en la mejora de la actividad catalítica [1].Para el diseño de catalizadores avanzados, la inteligencia artificial (IA) está transformando la electrocatálisis al facilitar la exploración rápida de grandes espacios químicos [2]. Dentro de la IA, el aprendizaje automático (AA) comprende cuatro etapas principales: la generación del conjunto de datos, la selección del algoritmo, el entrenamiento del modelo y la prueba y optimización. Garantizar la calidad y relevancia del conjunto de datos es crucial para evitar datos redundantes o irrelevantes, asi como también seleccionar cuidadosamente las propiedades de entrada y definir el dato de salida principal.Desde esta perspectiva, nuestra propuesta se centra en desarrollar nano-electrocatalizadores innovadores para celdas de combustible mediante el estudio de PCG modificados con adátomos metálicos. Proponemos la implementación de protocolos basados en AA, donde un paso clave desarrollado es la creación de una base de datos de estos materiales utilizando métodos de Teoría del Funcional de la Densidad (DFT). Evaluamos propiedades de los sistemas Pd-PCG, como energía de adsorción, orden de enlace, distribución de cargas, densidad electrónica, magnetización y geometría. Estas propiedades fueron analizadas con el objetivo de construir una base de datos robusta y detallada, que sirva para entrenar modelos de AA capaces de identificar sistemas Pd-PCG con propiedades catalíticas óptimas. La estrategia de AA propuesta se aplicó para predecir la adsorción de paladio en distintos puntos cuánticos de grafeno. Los resultados obtenidos demuestran que la base de datos generada es suficiente y valiosa, tanto en cantidad como en calidad, para la evaluación preliminar realizada. De este modo, este trabajo destaca los avances significativos logrados mediante la combinación de metodologías químico-cuánticas y aprendizaje automático, consolidando un enfoque prometedor para el diseño de electrocatalizadores más eficientes, como punto de partida para pruebas experimentales.Referencias[1] Peng, Y., Lu, B., Chen, S. Advanced Materials, 2018, 30, 48, 1801995.[2] Mai, H., Le, T., Chen, D., Winkler, D., Caruso, R.. Chemical Reviews, 2022, 122, 16, 13478-13515.