Kärnmagnetisk resonans (NMR)-spektroskopi hjälper kemister och andra forskare att identifiera och utforska atomära strukturer. Dock, NMR begränsas av tillgången på kataloger med referensdata för att jämföra och identifiera strukturer.

Ny samarbetsforskning från Institutionen för kemi i konst och vetenskap vid Washington University i St. Louis, Lawrence Berkeley National Laboratory och Institutionen för materialvetenskap och teknik vid University of California, Berkeley, utnyttjade kvantkemimetoder för att utveckla ytterligare datainfrastruktur för en isotop av kisel, 29Si. Kisel är särskilt relevant på grund av dess betydelsefulla roll inom materialvetenskap – det används i halvledare för elektronik och finns överallt i glasartade material – och det är en viktig beståndsdel av stenar och mineraler.

Forskningen publiceras i Nature's npj Beräkningsmaterial den 12 maj.

Sophia E. Hayes, professor i kemi och expert på NMR-spektroskopi, vet bättre än de flesta hur kraftfullt NMR kan vara för att analysera materialstruktur. Hayes – inte främmande för att kombinera tekniker för att skapa nya forskningsvägar – använder NMR i sitt labb i samband med optisk excitation och detektionsmetoder för att studera strukturen och egenskaperna hos oorganiska system, inklusive halvledare.

I detta nya verk, Hayes och medförfattare Shyam Dwaraknath, materialforskare och ingenjör vid Lawrence Berkeley National Lab, använda banbrytande beräkningsmetoder för att generera nya datamängder för 29Si och bekräfta deras giltighet. Även om nuvarande experimentella datakataloger för kisel är begränsade, senaste ökningar av beräkningskraft möjliggör snabb expansion av simulerade NMR-data bortom enkel extrapolering från befintliga data.

Teamet rapporterade framgång med två avancerade beräkningsverktyg:Vienna Ab initio Simulation Package (VASP) och Cambridge Serial Total Energy Package (CASTEP). Med hjälp av dessa verktyg, de genererade beräkningsmässigt förutsägelser för NMR mätbara (uttryckta matematiskt som "tensorer") för kisel, jämförde sedan den skapade datamängden med experimentellt observerade data, och systematiskt korrigerade maskingenererade data.

Beräknade och experimentellt rapporterade värden överensstämde anmärkningsvärt väl när det gäller NMR-parametrar, lovar ett genombrott i vad som är möjligt i framtida NMR-analys. Den rensade datamängden genererad av Hayes och Dwaraknath, såväl som deras samling av mjukvaruverktyg, är tillgänglig som en gemenskapsresurs i den delade databasen för lokal spektroskopidatainfrastruktur (LSDI) via Materials Project.

"Att ha en så stor datamängd tillåter jämförelser av de beräknade parametrarna över ett stort antal strukturer, öppnar vägar för maskininlärning, ", noterade teamet. "När NMR-utövare använder LSDI-datauppsättningen, de kommer att ha befogenhet att jämföra sina experimentella mätningar med en mängd relaterade strukturer, vilket i slutändan kommer att underlätta tilldelningen av dessa spektra. Denna typ av datauppsättning kan öppna nästa era inom solid-state NMR-spektroskopi, som omfattar ett informatiskt förhållningssätt till experimentell design."