Resumen: Este trabajo presenta un enfoque integral para el diseño de materiales de carbono mesoporoso con alta eficiencia en captura de CO2 mediante simulaciones de Dinámica Molecular Reactiva RMD combinadas con una Canalización de Evaluación Multicapa MEP para predicción y optimización de propiedades. A diferencia de los métodos experimentales tradicionales basados en ensayo y error, la RMD permite controlar in silico la estructura porosa y la funcionalidad superficial a nivel atómico, facilitando la creación de MCMs ajustados que muestran capacidades de adsorción y selectividad frente a CO2 significativamente superiores. El método acorta tiempos y reduce costes al permitir caracterización y modificación precisas durante el diseño.

Palabras clave: carbono mesoporoso, dinámica molecular reactiva, captura de CO2, adsorción, ingeniería de poros, aprendizaje automático, simulación molecular, aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.

Introducción: La creciente concentración atmosférica de CO2 constituye una amenaza crítica para el clima global. Desarrollar tecnologías eficientes y coste-efectivas de captura de CO2 es imprescindible. Los materiales de carbono mesoporoso MCM se destacan por su alta área superficial, porosidad controlable y flexibilidad estructural, lo que los convierte en candidatos atractivos para adsorción de CO2. Sin embargo, las síntesis tradicionales generan arquitecturas porosas poco controladas y funcionalizaciones limitadas. Aquí proponemos un protocolo paramétrico basado en RMD que optimiza el diseño de MCM, superando estas limitaciones y abriendo oportunidades para separaciones de CO2 más eficaces. La integración con MEP permite explorar virtualmente un amplio espacio de materiales antes de fabricar el candidato óptimo.

Marco teórico y metodología: Dinámica Molecular Reactiva RMD: Las simulaciones se ejecutan con LAMMPS empleando el campo reactivo ReaxFF que modela formación y ruptura de enlaces, esencial para simular la carbonización de precursores como resinas fenólicas. Parámetros típicos incluyen sistemas de N = 10 000 a 50 000 átomos, paso temporal de 1 fs, temperaturas de procesamiento entre 600 K y 900 K, y presión de 1 atm. Estas condiciones replican procesos de activación y carbonización usados en laboratorio.

Diseño de Experimentos DOE y integración en MEP: Se aplica un DOE para explorar sistemáticamente parámetros críticos como la composición del precursor, temperatura de activación, tiempo de tratamiento y presencia de agentes funcionalizantes. Los resultados RMD alimentan la MEP para extraer descriptores estructurales y químicos que son agregados en una puntuación compuesta denominada HyperScore. Los detalles matemáticos y las ecuaciones de normalización y fusión aparecen en material suplementario.

Canalización de Evaluación Multicapa MEP: La MEP consta de módulos encadenados que transforman salidas atómicas en predictores de rendimiento: Ingesta y normalización convierte coordenadas y energías en descriptores; descomposición semántica y estructural determina distribución de tamaños de poro, topología de la red y grupos funcionales en superficie; motor de consistencia lógica evalúa integridad estructural y defectos; pronóstico de impacto estima capacidad y selectividad de adsorción de CO2; fusión de puntuaciones y ajuste de pesos integra todos los módulos en un HyperScore mediante la estrategia Shapley-AHP para una valoración comparativa robusta.

Fórmula HyperScore y ajuste dinámico: El HyperScore combina métricas mediante funciones Sigmoid y Power Boost. Pesos iniciales propuestos: w1 = 0.35 LogicScore (estabilidad estructural), w2 = 0.25 Novela (unicidad de la red de poros), w3 = 0.20 ImpactFore (capacidad CO2), w4 = 0.10 Repro (reproducibilidad) y w5 = 0.10 Meta (consistencia interna). Estos pesos se refinan mediante aprendizaje por refuerzo con retroalimentación de datos experimentales para priorizar criterios que mejor predigan rendimiento real.

Resultados y discusión: Las simulaciones RMD bajo condiciones variadas mostraron correlación pronunciada entre tamaño de poro y capacidad de adsorción de CO2. Estructuras con distribución bimodal de poros, centrada en 2-5 nm y 8-12 nm, alcanzaron las mayores uptakes, atribuible a vías de difusión optimizadas y mayor interacción superficial. La incorporación de grupos amina mediante modificaciones post-sintéticas simuladas por RMD incrementó la selectividad CO2/N2 entre 2 y 3 veces, debido a interacciones químicas específicas. La repetibilidad se confirmó mediante ejecuciones múltiples con condiciones análogas, verificando la estabilidad de parámetros RMD. El módulo de pronóstico de impacto logró un MAPE aproximado de 14 por ciento frente a datos experimentales, lo que valida parcialmente la correlación entre condiciones de simulación y comportamiento real.

Escalabilidad y perspectivas: La metodología es escalable mediante aceleración GPU para las RMD y flujos CI/CD que automatizan ejecuciones por lotes y optimización de parámetros. La integración de ML permite construir modelos sustitutos que predicen propiedades sin necesidad de simular cada candidato a escala atómica, acelerando la selección. Planes de cómputo incluyen clústeres masivos con 100-500 nodos y múltiples GPUs por nodo. Aplicaciones industriales futuras contemplan impresión 3D de monolitos optimizados y despliegue en unidades de captura. Además, la canalización MEP es apta para ampliarse con módulos de monitoreo experimental en tiempo real.

Verificación y robustez técnica: La validación arranca con la comprobación del campo ReaxFF frente a datos experimentales de materiales carbonosos y continúa con calibración DOE-simulación-experimento usando MAPE como métrica. Ensayos de sensibilidad y análisis estadístico confirman la significancia de parámetros clave. El sistema incorpora retroalimentación experimental para ajustar pesos HyperScore vía aprendizaje por refuerzo, mejorando su capacidad predictiva.

Contribución técnica: La novedad reside en la integración coherente de RMD con la MEP y técnicas avanzadas de fusión de criterios Shapley-AHP y aprendizaje por refuerzo para optimizar materiales desde la simulación atómica hasta la fabricación dirigida. Este enfoque reduce la dependencia de ensayo-error experimental, facilita el descubrimiento dirigido de MCMs y mejora la probabilidad de éxito en escalado industrial.

Implicaciones prácticas y relación con servicios digitales: El diseño computacional de materiales se beneficia de plataformas y servicios digitales especializados. En Q2BSTUDIO ofrecemos desarrollo de soluciones a medida que aceleran la transferencia de prototipos virtuales a procesos productivos reales, integrando herramientas de inteligencia artificial y automatización para optimizar ciclos de diseño y fabricación. Podemos implementar pipelines CI/CD, orquestación en la nube y sistemas de analítica avanzada para proyectos de materiales, combinando experiencia en inteligencia artificial con desarrollo de software a medida y despliegue en servicios cloud aws y azure.

Aplicaciones y servicios de Q2BSTUDIO: Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida, inteligencia artificial para empresas, ciberseguridad, servicios cloud y soluciones de inteligencia de negocio. Ofrecemos agentes IA personalizados, integraciones con Power BI para visualización y monitoreo, y servicios de automatización de procesos que permiten convertir resultados de simulación en órdenes de fabricación o pruebas experimentales. Nuestra experiencia en ciberseguridad garantiza que los datos de I+D permanecen protegidos durante toda la cadena, desde simulación hasta despliegue productivo.

Conclusión: Este estudio demuestra la viabilidad de utilizar RMD y una canalización MEP para diseñar MCMs con propiedades mejoradas de captura de CO2. La estrategia reduce costes y tiempos frente a métodos puramente experimentales y facilita la generación de materiales de alto rendimiento, especialmente cuando se complementa con modelos ML y arquitecturas de cómputo escalables. Para empresas que buscan acelerar innovación material mediante software a medida e inteligencia artificial, Q2BSTUDIO aporta la experiencia técnica para transformar diseños computacionales en soluciones aplicables y seguras, integrando asimismo servicios de inteligencia de negocio y power bi para análisis y toma de decisiones.

Referencias y material suplementario: Las referencias incluyen documentación de ReaxFF y LAMMPS, publicaciones sobre síntesis de MCM y captura de CO2, y documentación interna de la MEP. Las ecuaciones detalladas del HyperScore y procedimientos de ajuste de pesos por aprendizaje por refuerzo se encuentran en el material suplementario disponible bajo petición. Para consultas técnicas o propuestas de colaboración, contacte con nuestro equipo de soluciones a medida en Q2BSTUDIO.