Ingenjörer och kemister vid Hiroshima University använde framgångsrikt tekniken bakom ansiktsigenkänning för att designa kirala kristaller. Detta är den första studien som rapporterar användningen av denna teknik, kallad logistisk regressionsanalys, att förutsäga vilka kemiska grupper som är bäst för att göra kirala molekyler. Resultaten publicerades i Kemi bokstäver .

Kiralitet beskriver kvaliteten av att ha en spegelbild till något annat, men utan förmåga att överlagra det. Din vänstra fot, till exempel, är en spegel av din rätt. De ser likadana ut, men de är inte desamma. Det är därför du inte kan bära en vänster sko på din högra fot.

Tanken är liknande inom kemi. Två molekyler kan ha samma sammansättning av element, men deras geometri kan skilja sig åt. En vänsterhänt kiral helix kan ha en motsvarande högerhänt helix.

Dock, att göra en spegelbild av en kiral molekyl är mer komplicerat än att bara ordna om vissa bindningar. Ett extra lager av komplexitet uppstår när man gör en kristall, en högordnad serie av atomer eller molekyler som kan sträcka sig i tre dimensioner.

"Den svåraste delen med att göra en kiral kristall, " primärförfattaren Katsuya Inoue sa, "är att veta hur man designar dem." Inoue är forskare vid Graduate School of Engineering vid Hiroshima University (HU).

Enligt Inoue, det är svårt att blanda olika atomer så att deras kirala geometri samexisterar i en enda kristall. Ensam, två typer av atomer kommer att vilja bilda bindningar med samma vinklar. När de kombineras, fastän, de kanske inte.

Teamet analyserade 686 kirala kristaller och 1000 akirala kristaller från databasen över oorganiska kristaller. Genom att använda logistisk regression, Inoues team utformade en modell för att visa det bästa sättet att designa kirala kristaller.

De beräknade vilka kemiska grupper i det periodiska systemet som har grundämnen som är mer benägna att samexistera i en kiral kristall. De grupper som motsvarar kol, kväve, och syre var bäst - eller gruppnummer 14, 15, och 16, respektive.

Logistisk regression är en statistisk metod som kan skilja två objekt åt. Eri Shimono, medförfattare och forskningsassistent vid Institutionen för kemi och kiralitetsforskningscentrum vid HU, jämfört med användning i smartphones.

"I ansiktsigenkänning, smartphones använder maskininlärning för att klassificera ansikten och saker som inte är ansikten, ", sade Shimono. "Vi kan träna vår modell för att upptäcka kirala och icke-kirala möjligheter. I detta fall, fastän, ingången är inte en bild. Det är information. "

Går framåt, teamet finjusterar prediktionsmodellen på två sätt. Först, de vill redogöra för fler atomer i en kristall. "Vi utgick från två atomer. I verkligheten, fastän, många kristaller är gjorda med tre eller fyra, " Inoue sa. "Vi måste utöka den här modellen för att passa för dessa fall."

Andra, de tillämpar djupinlärning. Den nuvarande modellen, som använder grundläggande maskininlärning, är gjord av befintliga data. Deep learning skulle låta forskare klassificera nya data som kirala eller inte. Från dessa resultat, teamet planerar att börja skapa några förutspådda kristaller och utforska hur man bygger en kiral magnet från dem.