O método identifica materiais magnéticos apenas com base em sua estrutura cristalina, eliminando a necessidade de experimentos e simulações demoradas
Os ímãs de molécula única (SMMs) são materiais interessantes. Em uma descoberta recente, pesquisadores da Universidade de Ciências de Tóquio usaram o aprendizado profundo para prever SMMs de 20.000 complexos metálicos.
As previsões foram feitas exclusivamente com base nas estruturas cristalinas desses complexos metálicos, eliminando assim a necessidade de experimentos demorados e simulações complexas.
Como resultado, espera-se que este método acelere o desenvolvimento de materiais funcionais, especialmente para memória de alta densidade e dispositivos de computação quântica.
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 automática para reconhecer padrões e relações em dados que incluem informações sobre propriedades, composições e comportamentos dos 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 em 1º de fevereiro de 2024 no International Union of Crystallography Journal (IUCrJ), o professor Takashiro Akitsu, o professor assistente Daisuke Nakane e o Sr. Yuji Takiguchi da Tokyo University of Science (TUS) usaram o aprendizado profundo para prever single- ímãs moleculares (SMMs) 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 efetiva (Ueff) para a inversão do momento magnético.
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 Akitsu.
Muitas das estruturas SMM previstas envolviam complexos multinucleares de disprósio, conhecidos por seus altos valores de Ueff.
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 afirma: “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.”
Imagem principal cortesia de Science / AAAS
Você pode gostar também…
