p Uma meta de longa data dos químicos de muitos setores, incluindo energia, farmacêuticos, energética, aditivos alimentares e semicondutores orgânicos, é imaginar a estrutura química de uma nova molécula e ser capaz de prever como ela funcionará para uma aplicação desejada. Na prática, esta visão é difícil, frequentemente exigindo extenso trabalho de laboratório para sintetizar, isolar, purificar e caracterizar moléculas recém-projetadas para obter as informações desejadas. p Recentemente, uma equipe de materiais do Lawrence Livermore National Laboratory (LLNL) e cientistas da computação concretizaram essa visão para moléculas energéticas criando modelos de aprendizado de máquina (ML) que podem prever as propriedades cristalinas das moléculas apenas a partir de suas estruturas químicas, como densidade molecular. A previsão de descritores de estrutura cristalina (em vez de toda a estrutura cristalina) oferece um método eficiente para inferir as propriedades de um material, acelerando assim o design e a descoberta de materiais. A pesquisa aparece no Journal of Chemical Information and Modeling .

p "Um dos modelos de ML mais proeminentes da equipe é capaz de prever a densidade cristalina de moléculas energéticas e semelhantes a energia com um alto grau de precisão em comparação com os métodos anteriores baseados em ML, "disse Phan Nguyen, LLNL matemático aplicado e co-primeiro autor do artigo.

p "Mesmo quando comparado com a teoria do funcional da densidade (DFT), um método computacionalmente caro e informado pela física para a estrutura cristalina e predição de propriedades cristalinas, o modelo de ML oferece precisão competitiva, embora exija uma fração do tempo de computação, "disse Donald Loveland, Cientista da computação do LLNL e co-primeiro autor.

p Os membros do High Explosive Application Facility (HEAF) do LLNL já começaram a tirar proveito da interface da web do modelo, com o objetivo de descobrir novos materiais energéticos insensíveis. Simplesmente inserindo a estrutura química 2D das moléculas, Os químicos do HEAF foram capazes de determinar rapidamente a densidade cristalina prevista dessas moléculas, que está intimamente relacionado com as métricas de desempenho do potencial energético.

p "Estamos entusiasmados em ver os resultados do nosso trabalho serem aplicados a missões importantes do Laboratório. Este trabalho certamente ajudará na descoberta e otimização de novos materiais no futuro, "disse Yong Han, Cientista de materiais do LLNL e investigador principal do projeto.

p Os esforços de acompanhamento dentro da Divisão de Ciência de Materiais usaram o modelo ML em conjunto com um modelo generativo para pesquisar grandes espaços químicos de forma rápida e eficiente para candidatos de alta densidade.

p "Ambos os esforços ultrapassam os limites da descoberta de materiais e são facilitados por meio do novo paradigma de mesclar ciência de materiais e aprendizado de máquina, "disse Anna Hiszpanski, Cientista de materiais do LLNL e co-autor correspondente do artigo.

p A equipe continua em busca de novas propriedades de interesse do Laboratório com a visão de fornecer um conjunto de modelos preditivos para os cientistas de materiais usarem em suas pesquisas.