Sintetizar o estudiar ciertos materiales en un laboratorio a menudo plantea desafíos debido a preocupaciones de seguridad, condiciones experimentales poco prácticas o limitaciones de costos. En respuesta, los científicos recurren cada vez más a métodos de aprendizaje profundo que implican el desarrollo y entrenamiento de modelos de aprendizaje automático para reconocer patrones y relaciones en datos que incluyen información sobre propiedades, composiciones y comportamientos de los materiales.
Mediante el aprendizaje profundo, los científicos pueden hacer predicciones rápidamente sobre las propiedades de los materiales basándose en su composición, estructura y otras características relevantes, identificar candidatos potenciales para futuras investigaciones y optimizar las condiciones de síntesis.
Ahora, en un estudio que aparece en la Revista de la Unión Internacional de Cristalografía (IUCrJ) , el profesor Takashiro Akitsu, el profesor asistente Daisuke Nakane y el Sr. Yuji Takiguchi de la Universidad de Ciencias de Tokio (TUS) han utilizado el aprendizaje profundo para predecir imanes de una sola molécula (SMM) a partir de un conjunto de 20.000 complejos metálicos. Esta estrategia innovadora agiliza el proceso de descubrimiento de materiales al minimizar la necesidad de experimentos prolongados.
Los imanes de una sola molécula (SMM) son complejos metálicos que demuestran un comportamiento de relajación magnética a nivel de molécula individual, donde los momentos magnéticos sufren cambios o relajación con el tiempo. Estos materiales tienen aplicaciones potenciales en el desarrollo de memorias de alta densidad, dispositivos espintrónicos moleculares cuánticos y dispositivos de computación cuántica. Los SMM se caracterizan por tener una alta barrera energética efectiva (Ueff ) para que el momento magnético cambie. Sin embargo, estos valores suelen estar en el rango de decenas a cientos de Kelvin, lo que hace que la síntesis de SMM sea difícil.
Los investigadores utilizaron el aprendizaje profundo para identificar la relación entre las estructuras moleculares y el comportamiento de SMM en complejos metálicos con ligandos de tipo salen. Se eligieron estos complejos metálicos porque pueden sintetizarse fácilmente formando complejos aldehídos y aminas con varios metales 3d y 4f.
Para el conjunto de datos, los investigadores trabajaron intensamente para examinar 800 artículos entre 2011 y 2021, recopilando información sobre la estructura cristalina y determinando si estos complejos exhibían un comportamiento SMM. Además, obtuvieron detalles estructurales en 3D de las moléculas de la base de datos estructural de Cambridge.
La estructura molecular de los complejos se representó mediante vóxeles o píxeles 3D, donde a cada elemento se le asignó un valor RGB único. Posteriormente, estas representaciones de vóxeles sirvieron como entrada para un modelo de red neuronal convolucional 3D basado en la arquitectura ResNet. Este modelo fue diseñado específicamente para clasificar moléculas como SMM o no SMM mediante el análisis de sus imágenes moleculares en 3D.
Cuando el modelo se entrenó en un conjunto de datos de estructuras cristalinas de complejos metálicos que contenían complejos de tipo salen, logró una tasa de precisión del 70% al distinguir entre las dos categorías. Cuando el modelo se probó en 20.000 estructuras cristalinas de complejos metálicos que contenían bases de Schiff, descubrió con éxito los complejos metálicos que se consideraban imanes de una sola molécula.
"Este es el primer informe sobre aprendizaje profundo de las estructuras moleculares de SMM", afirma el profesor Akitsu.
Muchas de las estructuras SMM predichas involucraban complejos multinucleares de disprosio, conocidos por su alta Uef valores. Si bien este método simplifica el proceso de descubrimiento de SMM, es importante señalar que las predicciones del modelo se basan únicamente en datos de entrenamiento y no vinculan explícitamente las estructuras químicas con sus cálculos químicos cuánticos, un método preferido en el diseño molecular asistido por IA. Se requiere más investigación experimental para obtener datos del comportamiento del SMM en condiciones uniformes.
Sin embargo, este enfoque simplificado tiene sus ventajas. Reduce la necesidad de cálculos computacionales complejos y evita la difícil tarea de simular el magnetismo.
El profesor Akitsu concluye:"La adopción de este enfoque puede guiar el diseño de moléculas innovadoras, generando importantes ahorros de tiempo, recursos y costes en el desarrollo de materiales funcionales".
Más información: Yuji Takiguchi et al, La predicción de las propiedades de los imanes de una sola molécula mediante el aprendizaje profundo, IUCrJ (2024). DOI:10.1107/S2052252524000770
Proporcionado por la Universidad de Ciencias de Tokio
