I liquidi ionici (IL) rappresentano una soluzione promettente per la cattura e lo stoccaggio della CO2, al fine di mitigare il riscaldamento globale. Tuttavia, identificare e progettare i liquidi ionici ad alta capacità all’interno di una vasta gamma di prodotti chimici richiede simulazioni costose ed esaustive e numerosi esperimenti.
L’apprendimento automatico (ML) può accelerare il processo di ricerca di ioni desiderabili attraverso previsioni precise ed efficienti delle proprietà, in modo datadriven. Tuttavia, le descrizioni esistenti e i modelli di ML per le molecole ioniche soffrono dell’adattamento inefficiente della struttura grafica molecolare. Inoltre, pochi studi hanno investigato l’esplicabilità dei modelli di ML per aiutare a comprendere le caratteristiche apprese che possono guidare la progettazione di molecole ioniche efficienti. In questo studio, vengono sviluppati modelli di ML basati sulle impronte digitali e le reti neurali a grafo (GNN) per prevedere l’assorbimento di CO2 nei liquidi ionici.
L’impronta digitale funziona sulla struttura grafica nella fase di estrazione delle caratteristiche, mentre le GNN gestiscono direttamente la struttura molecolare sia nella fase di estrazione delle caratteristiche che nella fase di previsione del modello. Si dimostra che il metodo sviluppato in questo studio supera i modelli di ML precedenti raggiungendo un’alta precisione (MAE di 0,0137, R2 di 0,9884). Inoltre, viene sfruttata la rappresentazione delle GNN e viene sviluppato un metodo di spiegazione basato su sottosezioni che fornisce una comprensione di come ogni frammento chimico all’interno delle molecole IL contribuisca alla previsione di assorbimento di CO2 dei modelli di ML. Si dimostra inoltre che i risultati ottenuti concordano con alcune verità fondamentali sull’importanza del gruppo funzionale derivanti dalla comprensione teorica dell’assorbimento di CO2 nei liquidi ionici, che possono consigliare la progettazione di nuovi liquidi ionici funzionali ed efficienti in futuro.
