Palabras clave
Cómo citar
Resumen
El estudio de cúmulos de átomos de metales de transición se centra en la formación de pequeñas agrupaciones de átomos metálicos que presentan propiedades únicas y distintas a las del sólido, o a las de sus átomos individuales. Estos cúmulos, definidos como compuestos moleculares con tres o más átomos metálicos, son cruciales en procesos como la catálisis, donde pueden acelerar reacciones químicas importantes para la industria y el medio ambiente. Para comprender mejor sus propiedades, se emplean herramientas de modelado molecular, y los algoritmos genéticos se utilizan para optimizar la configuración de estos cúmulos, buscando la geometría de mínima energía a través de un proceso inspirado en la evolución natural. Este enfoque es fundamental para explorar nuevas aplicaciones en catálisis y diseño de materiales, dado el crecimiento exponencial de posibles configuraciones a medida que aumenta el número de átomos en el cúmulo.
Citas
J. B. Keister, “Reactivity of methylidyne ligands on trinuclear clusters of group 8 metals” Polyhedron. 7 (1988) Issues 10–11, 847–858.
J. F. Berry, and C. C. Lu, “Metal−Metal Bonds: From Fundamentals to Applications” Inorganic Chemistry. 56 (2017) Issue 14, 7577–7581.
M. Castro, “The role of the Jahn–Teller distortions on the structural, binding, and magnetic properties of small Fen clusters, n≤7” Int. J. Quant. Chem. 64 (1997) 223–230.
Z. Luo, “Advances in Naked Metal Clusters for Catalysis” Chem. Phys. Chem. Volume 25, Issue 10 (2024) e202300715.
A. Kulkarni, R. J. Lobo–Lapidus, B. C. Gates, “Metal clusters on supports: synthesis, structure, reactivity, and catalytic properties” Chem. Commun. 46 (2010) 5997–6015.
P. Limon, A. Miralrio, M. Castro, “Adsorption and dissociation of carbon monoxide on iron and iron-carbon clusters: Fen+2CO and FenC+2CO, n=4 and 7. A theoretical study” Comput. Theor. Chem. 1129 (2018) 37–47.
P. Venkateswara Rao and R. H. Holm “Synthetic Analogues of the Active Sites of Iron−Sulfur Proteins” Chemical Reviews. 104 (2003) Issue 2, No. 2, 527–560.
A. J. Page, H. Yamane, Y. Ohta, S. Irle, K. Morokuma, “QM/MD simulation of SWNT nucleation on transition-metal carbide nanoparticles” J Am Chem Soc. 132 (2010) 15699–15707.
T. Guo, P. Nikolaev, A. Thess, D.T. Colbert, R.E. Smalley, “Catalytic growth of single-walled nanotubes by laser vaporization” Chem. Phys. Lett. 243 (1995) 49–54.
M. Orio, D.A. Pantazis, F. Neese, “Density functional theory” Photosynth. Res. 102 (2009) 443–453.
L. R. Maurer, M. Bursch, S. Grimme, A. Hansen, “Assessing Density Functional Theory for Chemically Relevant Open-Shell Transition Metal Reactions” J. Chem. Theory Comput. 17 (2021) 6134–6151.
S. Sur, E. Quintas-Sánchez, S.A. Ndengué, R. Dawes, “Development of a potential energy surface for the O3–Ar system: rovibrational states of the complex” Physical Chemistry Chemical Physics. 21 (2019) 9168–9180.
K. Michaelian, “The Non-Equilibrium Thermodynamics of Natural Selection: From Molecules to the Biosphere” Entropy. 25 (2023) 1059.
R. L. Rardin, R. Uzsoy, “Experimental evaluation of heuristic optimization algorithms: A tutorial” Journal of Heuristics. 7 (2001) 261–304.
M. Abdel-Basset, L. Abdel-Fatah, A.K. Sangaiah, “Metaheuristic Algorithms: A Comprehensive Review” Computational Intelligence for Multimedia Big Data on the Cloud with Engineering Applications. (2018) 185–231.
C.C.W. Chang, T.J. Ding, M.A.S. Bhuiyan, K.C. Chao, M. Ariannejad, H.C. Yian, “Nature-Inspired Optimization Algorithms in Solving Partial Shading Problems: A Systematic Review” Archives of Computational Methods in Engineering. 30 (2023) 223–249.
S. Katoch, S.S. Chauhan, V. Kumar, “A review on genetic algorithm: past, present, and future” Multimed. Tools Appl. 80 (2021) 8091–8126.
O. Yañez, D. Inostroza, B. Usuga-Acevedo, A. Vásquez-Espinal, R. Pino-Ríos, M. Tabilo-Sepulveda, J. Garza, J. Barroso, G. Merino, W. Tiznado, “Evaluation of restricted probabilistic cellular automata on the exploration of the potential energy surface of Be6B11−“ Theo. Chem. Acc. 139 (2020) 1–8.
J.A. Vargas, F. Buendía, M.R. Beltrán, “New AuN (N = 27–30) Lowest Energy Clusters Obtained by Means of an Improved DFT-Genetic Algorithm Methodology” Journal of Physical Chemistry C. 121 (2017) 10982–10991.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2025 Universidad Nacional Autónoma de México