Sintetizar ou estudar certos materiais em laboratório muitas vezes apresenta desafios devido a questões de segurança, condições experimentais impraticáveis ​​ou restrições de custo. Em resposta, os cientistas estão cada vez mais recorrendo a métodos de aprendizagem profunda que envolvem o desenvolvimento e o treinamento de modelos de aprendizagem de máquina para reconhecer padrões e relações em dados que incluem informações sobre propriedades, composições e comportamentos de materiais.



Usando o aprendizado profundo, os cientistas podem fazer previsões rapidamente sobre as propriedades dos materiais com base na composição, estrutura e outras características relevantes do material, identificar potenciais candidatos para investigações adicionais e otimizar as condições de síntese.

Agora, em um estudo publicado no International Union of Crystallography Journal (IUCrJ) , o professor Takashiro Akitsu, o professor assistente Daisuke Nakane e o Sr. Yuji Takiguchi da Universidade de Ciências de Tóquio (TUS) usaram o aprendizado profundo para prever ímãs de molécula única (SMMs) a partir de um conjunto de 20.000 complexos metálicos. Esta estratégia inovadora agiliza o processo de descoberta de materiais, minimizando a necessidade de experimentos demorados.

Ímãs de molécula única (SMMs) são complexos metálicos que demonstram comportamento de relaxamento magnético no nível de molécula individual, onde os momentos magnéticos sofrem alterações ou relaxamento ao longo do tempo. Esses materiais têm aplicações potenciais no desenvolvimento de memória de alta densidade, dispositivos spintrônicos moleculares quânticos e dispositivos de computação quântica. SMMs são caracterizados por terem uma barreira de energia altamente eficaz (U_eff ) para que o momento magnético mude. No entanto, esses valores estão normalmente na faixa de dezenas a centenas de Kelvins, tornando os SMMs difíceis de sintetizar.

Os pesquisadores usaram o aprendizado profundo para identificar a relação entre as estruturas moleculares e o comportamento do SMM em complexos metálicos com ligantes do tipo salen. Esses complexos metálicos foram escolhidos porque podem ser facilmente sintetizados pela complexação de aldeídos e aminas com vários metais 3d e 4f.

Para o conjunto de dados, os pesquisadores trabalharam extensivamente para selecionar 800 artigos de 2011 a 2021, coletando informações sobre a estrutura cristalina e determinando se esses complexos exibiam comportamento SMM. Além disso, eles obtiveram detalhes estruturais 3D das moléculas do Cambridge Structural Database.

A estrutura molecular dos complexos foi representada por meio de voxels ou pixels 3D, onde a cada elemento foi atribuído um valor RGB único. Posteriormente, essas representações de voxel serviram de entrada para um modelo de Rede Neural Convolucional 3D baseado na arquitetura ResNet. Este modelo foi projetado especificamente para classificar moléculas como SMMs ou não-SMMs, analisando suas imagens moleculares 3D.

Quando o modelo foi treinado em um conjunto de dados de estruturas cristalinas de complexos metálicos contendo complexos do tipo salen, alcançou uma taxa de precisão de 70% na distinção entre as duas categorias. Quando o modelo foi testado em 20.000 estruturas cristalinas de complexos metálicos contendo bases de Schiff, ele descobriu com sucesso os complexos metálicos relatados como ímãs de molécula única.

“Este é o primeiro relatório de aprendizagem profunda sobre as estruturas moleculares dos SMMs”, diz o Prof.

Muitas das estruturas SMM previstas envolviam complexos multinucleares de disprósio, conhecidos por seu alto U_eff valores. Embora este método simplifique o processo de descoberta do SMM, é importante observar que as previsões do modelo são baseadas exclusivamente em dados de treinamento e não vinculam explicitamente as estruturas químicas aos seus cálculos químicos quânticos, um método preferido no projeto molecular assistido por IA. Mais pesquisas experimentais são necessárias para obter dados do comportamento do SMM sob condições uniformes.

No entanto, esta abordagem simplificada tem as suas vantagens. Reduz a necessidade de cálculos computacionais complexos e evita a desafiadora tarefa de simular o magnetismo.

O professor Akitsu conclui:"A adoção de tal abordagem pode orientar o projeto de moléculas inovadoras, trazendo economias significativas de tempo, recursos e custos no desenvolvimento de materiais funcionais."

Mais informações: Yuji Takiguchi et al, A previsão de propriedades magnéticas de molécula única por meio de aprendizado profundo, IUCrJ (2024). DOI:10.1107/S2052252524000770
Fornecido pela Universidade de Ciências de Tóquio