Los grupos funcionales regulan la concentración de iones y el pH en nanoporos

Para comprender las reacciones químicas que ocurren dentro de los nanoporos de materiales nanoporosos, ya sean sintéticos o naturales, como los presentes en membranas o canales iónicos de sistemas biológicos, es fundamental conocer la concentración de iones en su interior. Para ello, los nanoporos se funcionalizan con grupos químicos específicos.

En este estudio, un grupo de investigadores de Estados Unidos reporta el desarrollo de un nanosensor plasmónico del tipo núcleo-coraza, compuesto por una nanobarra de oro recubierta con sílica mesoporosa funcionalizada con grupos fenilo y metilo. Este nanosensor es capaz de medir la concentración local de protones, aniones (como fosfatos, nitratos, sulfatos y arsenatos), así como cationes (como mercurio, plomo y cobre) en nanoporos funcionalizados. Las mediciones se realizaron mediante espectroscopía Raman amplificada por superficie (Surface Enhanced Raman Spectroscopy, SERS), aplicada in situ.

Los valores obtenidos se comparan con los correspondientes a la sílica en volumen. Además, los resultados indican que estas concentraciones de iones son diferentes en nanoporos prístinos e hidrofóbicos en comparación con nanoporos funcionalizados con radicales fenilo y metilo. En éstos, reportan un aumento en la concentración de aniones y una disminución en la concentración de cationes de manera concurrente. Por otra parte, el pH en los nanoporos resulta dependiente de la composición de la solución. Encontraron que, en algunos casos, el pH en los nanoporos podía disminuir hasta en 2.5 unidades con respecto a su valor en el volumen. 

Estos resultados proveen información acerca de la interacción química ión-nanoporo, es decir, y permiten controlar contaminantes de manera precisa y selectiva con aplicación directa en la química del agua para procesos de desalinización basados en membranas, para almacenamiento de CO2 y para la catálisis en materiales porosos.

Más información en: ACS Applied Materials and Interfaces

Soluciones nanoestructurales ab initio a partir de la difracción de polvos de nanocristales mediante modelos de difusión

 

Durante el último siglo, el desarrollo de la ciencia de materiales ha dependido de la determinación cada vez con mayor precisión de las disposiciones atómicas, es decir, de la estructura cristalina y sus propiedades. Con este fin, se aplica la difracción de rayos-X (XRD, del inglés X-ray diffraction), y la condición sine qua non es contar con un cristal simple o monocristal, pero esto no siempre es viable, especialmente con cúmulos atómicos de tamaño nanométrico (menores a 1000 Å), conocido como el problema de la nanoestructura. En estos casos, los patrones de difracción de polvos (PXRD) se degradan por el ensanchamiento, la pérdida de intensidad y la superposición de los picos de Bragg.

Investigadores de Estados Unidos y Alemania, propusieron un procedimiento que utiliza un modelo generativo* de aprendizaje automático (o generative machine learning) mediante procesos de difusión, entrenado con las 45,229 estructuras conocidas. El modelo empleado, PXRDnet, condicionado únicamente por la fórmula química del compuesto, puede resolver nanocristales simulados de hasta 10 Å en 200 materiales con distintas simetrías y complejidades, incluyendo los siete sistemas cristalinos. 

PXRDnet identifica candidatos estructurales correctos en 4 de cada 5 casos, con un error promedio de tan solo el 7 % en el factor de refinamiento Rietveld R. Además, puede resolver estructuras a partir de patrones de difracción ruidosos obtenidos experimentalmente. 

Los autores sostienen que este enfoque basado en datos, autoconsistente con simulaciones teóricas (“bootstrapped”), abre nuevas posibilidades para determinar estructuras de nanomateriales previamente no resueltas. Sin embargo, el modelo presenta limitaciones: requiere conocer previamente la fórmula química, y solo considera estructuras con menos de 20 átomos por celda unidad.

*El término “generativo” aplicado al aprendizaje automático describe una clase de modelos estadísticos que contrasta con los modelos discriminativos. Los “modelos generativos” pueden generar instancias de datos nuevas. Los modelos discriminativos disciernen entre diferentes tipos de instancias de datos.

El trabajo fue publicado por Nature Materials