La espectroscopia de resonancia magnética nuclear (RMN) ayuda a los químicos y otros científicos a identificar y explorar estructuras atómicas. Sin embargo, La RMN está limitada por la disponibilidad de catálogos de datos de referencia para comparar e identificar estructuras.

Nueva investigación colaborativa del Departamento de Química en Artes y Ciencias de la Universidad de Washington en St. Louis, Laboratorio Nacional Lawrence Berkeley y el Departamento de Ciencia e Ingeniería de Materiales de la Universidad de California, Berkeley, Aprovechó los enfoques de la química cuántica para desarrollar una infraestructura de datos adicional para un isótopo de silicio, 29Si. El silicio es especialmente relevante debido a su importante papel en la ciencia de los materiales (se utiliza en semiconductores para la electrónica y es ubicuo en materiales vítreos) y es un componente importante de rocas y minerales.

La investigación se publica en Nature's Materiales computacionales npj el 12 de mayo.

Sophia E. Hayes, profesor de química y experto en espectroscopia de RMN, sabe mejor que la mayoría lo poderosa que puede ser la RMN en el análisis de la estructura de los materiales. Hayes, que no es ajena a la combinación de técnicas para forjar nuevos caminos de investigación, utiliza RMN en su laboratorio junto con métodos de detección y excitación óptica para estudiar la estructura y propiedades de los sistemas inorgánicos. incluidos los semiconductores.

En este nuevo trabajo, Hayes y el coautor principal Shyam Dwaraknath, científico e ingeniero de investigación de materiales en el Laboratorio Nacional Lawrence Berkeley, hacer uso de métodos informáticos de vanguardia para generar nuevos conjuntos de datos para 29Si y confirmar su validez. Aunque los catálogos de datos experimentales actuales para el silicio son limitados, Los recientes aumentos en el poder computacional permiten la rápida expansión de los datos de RMN simulados más allá de la simple extrapolación de los datos existentes.

El equipo informó el éxito con dos herramientas computacionales avanzadas:Vienna Ab initio Simulation Package (VASP) y Cambridge Serial Total Energy Package (CASTEP). Usando estas herramientas, Generaron predicciones computacionalmente para valores medibles de RMN (expresados ​​matemáticamente como "tensores") para silicio, luego comparó el conjunto de datos creado con los datos observados experimentalmente, y corrigió sistemáticamente los datos generados por la máquina.

Los valores calculados e informados experimentalmente se alinearon notablemente bien en términos de parámetros de RMN, prometiendo un gran avance en lo que es posible en el futuro análisis de RMN. El conjunto de datos limpiado generado por Hayes y Dwaraknath, así como su colección de herramientas de software, está disponible como recurso comunitario en la base de datos de la infraestructura de datos de espectroscopía local compartida (LSDI) a través del Proyecto de materiales.

"La posesión de un conjunto de datos tan grande permite comparar los parámetros calculados en una gran cantidad de estructuras, abriendo vías para el aprendizaje automático, ", señaló el equipo." Cuando los profesionales de RMN utilizan el conjunto de datos LSDI, estarán facultados para comparar sus mediciones experimentales con una variedad de estructuras relacionadas, lo que en última instancia facilitará la asignación de esos espectros. Este tipo de conjunto de datos puede abrir la próxima era en espectroscopía de RMN de estado sólido, que abarca un enfoque informático para el diseño experimental ".