Laboratoire de simulation moléculaire (LSMO)

3
Berend Smit Min

Prof. Berend Smit

Laboratory of Molecular Simulation (LSMO)

CO2 capture


Notre mission

Nous faisons progresser la découverte des matériaux en unissant la simulation moléculaire, la science des données et l'IA. Grâce à une modélisation rigoureuse, des données de haute qualité et des plateformes numériques holistiques, nous accélérons les percées dans la chimie réticulaire et la capture du carbone, en créant des outils ayant un impact sur le monde réel.

Sujets de recherche

1

Nous utilisons des simulations informatiques avancées pour comprendre le fonctionnement des nouveaux matériaux au niveau atomique. Cela nous aide à prévoir des propriétés importantes, telles que la façon dont ils retiennent la chaleur, absorbent les gaz ou déplacent l’eau, avant de les fabriquer en laboratoire.

2

Nous combinons de vastes ensembles de données avec des méthodes modernes d’intelligence artificielle pour identifier les matériaux les plus prometteurs pour un travail donné. Au lieu de tester des milliers de matériaux de manière expérimentale, nous laissons l’IA réduire la recherche aux matériaux les plus utiles.

3

Nous synthétisons et caractérisons de nouveaux matériaux, tels que des composés luminescents, afin d’explorer leurs propriétés de manière expérimentale et de les relier à nos simulations et à nos modèles d’IA.

Nos projets clés


2

Une plateforme unifiée reliant les propriétés des matériaux, la conception des processus, l'EET et l'ACV afin d'identifier les sorbants optimaux pour la capture du CO₂ pour des paires source-puits réelles.


Heriot-Watt University, ETHZ, UC Berkeley, ENS Paris

3

En utilisant un criblage de MOF basé sur des données, nous avons identifié des "adsorbaphores" robustes et résistants à l'humidité qui se lient au CO₂. Cela a conduit à la synthèse d'Al-PMOF et d'Al-PyrMOF, qui sont plus performants que les sorbants commerciaux dans des conditions humides.


Université Heriot-Watt, UC Berkeley

1

Le réglage fin des modèles en langage large permet une prédiction précise des propriétés des matériaux et même une conception inverse avec un minimum de données. Démonstration sur les molécules, les alliages et les MOF ; étonnamment plus performant que les ML spécialisés dans les régimes à faible volume de données.

Nos résultats et highlights

1

2 articles dans Nature

2

Chercheur très cité dans le domaine des champs croisés – 2025

3

Subvention avancée du SNFS

4

DePOLY est une émanation de LSMO

Team & talents

Taille de l'équipe du laboratoire

16-18 personnes

Compétences développées par l'équipe scientifique

IA, simulation moléculaire, synthèse de MOF

Impacts régionaux et sociaux

1

Recherche fondamentale

Perspectives et défis

Principales opportunités

Développer la conception de matériaux pilotés par l’IA

Partenariats futurs

Université Heriot-Watt

Déclaration de consentement aux cookies
En poursuivant votre navigation sur ce site, vous acceptez l'utilisation de cookies pour améliorer votre expérience utilisateur et réaliser des statistiques de visites. Vous pouvez personnaliser l'utilisation des cookies à l'aide du bouton ci-dessous.
Mes préférences