Generative Chemistry

Indicadores y procesos de mejora

La plataforma transforma el descubrimiento de catalizadores, basado en iteraciones intensivas de cálculo y experimentación, en un flujo digital de definición de propiedades, exploración de estructuras novedosas, predicción de estabilidad, simulación y cribado previo a la validación experimental. Indicadores: número de estructuras evaluadas y priorizadas; tiempo y coste computacional por candidato; tasa de candidatos que superan los criterios científicos; reducción de simulaciones de alta fidelidad y ensayos experimentales; reproducibilidad del pipeline; y consumo energético de CPU, GPU y TPU. La mejora se calcula como reducción en el tiempo de descubrimiento de nuevos catalizadores (KPI= 50%).

Cuantificación/Estimación reducción consumo

La reducción de consumo se producirá por dos vías. Primero, la identificación de catalizadores tolerantes a sales e impurezas permitiría utilizar agua salada o de menor calidad en la electrólisis, reduciendo la demanda de agua dulce y la energía necesaria para su purificación.

Segundo, el cribado virtual concentra la simulación avanzada y la validación experimental en los candidatos más prometedores, evitando cálculos y ensayos innecesarios. El impacto se medirá mediante: m³ de agua dulce evitados por tonelada de H₂; energía de acondicionamiento de agua evitada; kWh computacionales y ensayos por candidato validado; y porcentaje de candidatos descartados digitalmente. Al facilitar catalizadores más eficientes y duraderos, la solución puede ampliar la disponibilidad del hidrógeno renovable para sustituir combustibles fósiles en procesos industriales y movilidad de difícil electrificación.

Cuantificación/Estimación reducción emisiones CO2

Estimación nacional en escenario de escalado a 2030: tomando como referencia el objetivo español de 12 GW de electrólisis y suponiendo 6.000 h/año de operación y 55 MWh/t H₂, la producción potencial sería de aproximadamente 1,31 millones de toneladas de H₂ renovable al año. Aplicando el ahorro estimado de 150 kWh/t H₂ por evitar la desalinización y el acondicionamiento previo del agua, se evitarían unos 196 GWh/año. Con un factor eléctrico ilustrativo de 0,20 kg CO₂e/kWh, el impacto ascendería a unas 39.300 t CO₂e evitadas al año. Adicionalmente, si la duplicación de la duración del catalizador observada en la PoC se mantiene a escala de celda y stack, podría reducirse un 50% el número de reposiciones y las emisiones incorporadas de fabricación y mantenimiento.

KPIs: 1,31 Mt H₂/año; 196 GWh/año evitados; 39.300 t CO₂e/año evitadas; vida útil x2; reposiciones -50%. Estimación preliminar, no ACV completo, sujeta a horas reales, mix eléctrico, eficiencia y validación industrial.

Innovación aplicada y buenas prácticas

La principal innovación es la integración de inteligencia artificial, conocimiento científico y validación experimental en un único ciclo de descubrimiento de materiales. Los MLIPs sustituyen parte de las simulaciones ab initio, reduciendo de horas a segundos determinados cálculos y permitiendo explorar un número muy superior de estructuras candidatas. Los algoritmos genéticos orientan la búsqueda hacia composiciones con las propiedades objetivo.

Como buena práctica, la solución aplica un modelo de colaboración universidad-empresa: Repsol define el reto industrial y prioriza los candidatos, Sngular integra la solución digital y la Universidad Autónoma de Madrid aporta datos ab initio y realiza la validación experimental.

Este ciclo permite contrastar las predicciones con resultados reales y realimentar los modelos. El enfoque es modular, reproducible y transferible a otros retos de materiales, y mantiene al experto científico como responsable de los criterios, la interpretación y la de

Uso de tecnologías (TICs)

La PoC utiliza MLIPs, redes neuronales entrenadas con cálculos ab initio, para predecir energías y fuerzas atómicas con precisión controlada y acelerar la simulación de materiales. Los modelos se combinan con algoritmos genéticos para generar, evaluar y priorizar estructuras de catalizadores.

La solución se ejecuta en Google Cloud, utilizando capacidad elástica de cómputo y servicios para desplegar y reproducir el pipeline. Se evalúa el uso de TPUs, aceleradores especializados en operaciones matriciales para Machine Learning, frente a GPUs generalistas.

Esta arquitectura permite reducir el tiempo y los recursos computacionales necesarios para cada simulación. Como práctica de Green AI, el rendimiento se monitoriza mediante tiempo de cálculo, kWh y gCO₂e por simulación.

Google ha comunicado una mejora de tres veces en intensidad de carbono entre sus generaciones TPU v4 y Trillium. Los modelos son portables y pueden desplegarse en otras nubes o en infraestructura local compatible