Un objetivo de larga data de los químicos de muchas industrias, incluida la energía, productos farmacéuticos, energéticos, aditivos alimentarios y semiconductores orgánicos, es imaginar la estructura química de una nueva molécula y poder predecir cómo funcionará para una aplicación deseada. En la práctica, esta vision es dificil, a menudo requiere un extenso trabajo de laboratorio para sintetizar, aislar, purificar y caracterizar moléculas de nuevo diseño para obtener la información deseada.

Recientemente, Un equipo de científicos informáticos y de materiales del Laboratorio Nacional Lawrence Livermore (LLNL) ha hecho realidad esta visión de las moléculas energéticas mediante la creación de modelos de aprendizaje automático (ML) que pueden predecir las propiedades cristalinas de las moléculas a partir de sus estructuras químicas únicamente. como la densidad molecular. La predicción de descriptores de estructura cristalina (en lugar de la estructura cristalina completa) ofrece un método eficiente para inferir las propiedades de un material, acelerando así el diseño y el descubrimiento de materiales. La investigación aparece en el Revista de información y modelado químico .

"Uno de los modelos ML más destacados del equipo es capaz de predecir la densidad cristalina de moléculas energéticas y de tipo energético con un alto grado de precisión en comparación con los métodos anteriores basados ​​en ML, "dijo Phan Nguyen, LLNL matemático aplicado y co-primer autor del artículo.

"Incluso en comparación con la teoría funcional de la densidad (DFT), un método computacionalmente costoso y basado en la física para la estructura cristalina y la predicción de propiedades cristalinas, el modelo ML cuenta con una precisión competitiva al tiempo que requiere una fracción del tiempo de cálculo, "dijo Donald Loveland, Científico informático del LLNL y co-primer autor.

Los miembros de la instalación de aplicaciones altamente explosivas (HEAF) de LLNL ya han comenzado a aprovechar la interfaz web del modelo, con el objetivo de descubrir nuevos materiales energéticos insensibles. Simplemente ingresando la estructura química 2D de las moléculas, Los químicos de HEAF han podido determinar rápidamente la densidad cristalina predicha de esas moléculas, que está estrechamente correlacionado con las métricas de rendimiento de la energía potencial.

"Estamos entusiasmados de ver que los resultados de nuestro trabajo se apliquen a misiones importantes del laboratorio. Este trabajo sin duda ayudará a acelerar el descubrimiento y la optimización de nuevos materiales en el futuro". "dijo Yong Han, Científico de materiales del LLNL e investigador principal del proyecto.

Los esfuerzos de seguimiento dentro de la División de Ciencia de Materiales han utilizado el modelo ML junto con un modelo generativo para buscar grandes espacios químicos de manera rápida y eficiente en busca de candidatos de alta densidad.

"Ambos esfuerzos traspasan los límites del descubrimiento de materiales y se facilitan a través del nuevo paradigma de fusionar la ciencia de los materiales y el aprendizaje automático, "dijo Anna Hiszpanski, Científico de materiales del LLNL y coautor correspondiente del artículo.

El equipo continúa buscando nuevas propiedades de interés para el laboratorio con la visión de proporcionar un conjunto de modelos predictivos para que los científicos de materiales los utilicen en sus investigaciones.