A espectroscopia de ressonância magnética nuclear (NMR) ajuda químicos e outros cientistas a identificar e explorar estruturas atômicas. Contudo, NMR é limitado pela disponibilidade de catálogos de dados de referência para comparar e identificar estruturas.

Nova pesquisa colaborativa do Departamento de Química em Artes e Ciências da Washington University em St. Louis, Laboratório Nacional Lawrence Berkeley e Departamento de Ciência e Engenharia de Materiais da Universidade da Califórnia, Berkeley, abordagens de química quântica aproveitadas para desenvolver uma infraestrutura de dados adicional para um isótopo de silício, 29Si. O silício é especialmente relevante por causa de seu papel significativo na ciência dos materiais - é usado em semicondutores para eletrônicos e onipresente em materiais vítreos - e é um importante constituinte de rochas e minerais.

A pesquisa foi publicada na revista Nature's npj materiais computacionais em 12 de maio.

Sophia E. Hayes, professor de química e especialista em espectroscopia de RMN, sabe melhor do que ninguém o quão poderoso o NMR pode ser na análise da estrutura dos materiais. Hayes - familiarizada com a combinação de técnicas para criar novos caminhos de pesquisa - usa NMR em seu laboratório em conjunto com excitação óptica e métodos de detecção para estudar a estrutura e as propriedades dos sistemas inorgânicos, incluindo semicondutores.

Neste novo trabalho, Hayes e o co-autor Shyam Dwaraknath, cientista e engenheiro de pesquisa de materiais no Lawrence Berkeley National Lab, fazer uso de métodos de computação de ponta para gerar novos conjuntos de dados para o 29Si e confirmar sua validade. Embora os atuais catálogos de dados experimentais para silício sejam limitados, aumentos recentes no poder computacional permitem a rápida expansão dos dados simulados de NMR além da simples extrapolação dos dados existentes.

A equipe relatou sucesso com duas ferramentas computacionais avançadas:Vienna Ab initio Simulation Package (VASP) e Cambridge Serial Total Energy Package (CASTEP). Usando essas ferramentas, eles geraram previsões computacionalmente para mensuráveis ​​NMR (expressos matematicamente como "tensores") para silício, em seguida, comparou o conjunto de dados criado com dados observados experimentalmente, e corrigiu sistematicamente os dados gerados por máquina.

Valores computados e relatados experimentalmente alinhados notavelmente bem em termos de parâmetros de NMR, prometendo um avanço no que é possível em análises futuras de NMR. O conjunto de dados limpo gerado por Hayes e Dwaraknath, bem como sua coleção de ferramentas de software, está disponível como um recurso da comunidade no banco de dados de infraestrutura de dados de espectroscopia local compartilhada (LSDI) por meio do Projeto de Materiais.

"A posse de um conjunto de dados tão grande permite comparações dos parâmetros calculados em um grande número de estruturas, abrindo caminhos para o aprendizado de máquina, "observou a equipe." Quando os profissionais de NMR usam o conjunto de dados LSDI, eles terão o poder de comparar suas medições experimentais com uma variedade de estruturas relacionadas, o que acabará por facilitar as atribuições desses espectros. Este tipo de conjunto de dados pode abrir a próxima era em espectroscopia de NMR de estado sólido, abrangendo uma abordagem de informática para o design experimental. "