Att syntetisera eller studera vissa material i en laboratoriemiljö innebär ofta utmaningar på grund av säkerhetsproblem, opraktiska experimentella förhållanden eller kostnadsbegränsningar. Som svar vänder sig forskare alltmer till metoder för djupinlärning som involverar utveckling och träning av maskininlärningsmodeller för att känna igen mönster och samband i data som inkluderar information om materialegenskaper, sammansättningar och beteenden.
Genom att använda djupinlärning kan forskare snabbt göra förutsägelser om materialegenskaper baserat på materialets sammansättning, struktur och andra relevanta egenskaper, identifiera potentiella kandidater för vidare undersökning och optimera syntesförhållandena.
Nu, i en studie som visas i International Union of Crystallography Journal (IUCrJ) , professor Takashiro Akitsu, biträdande professor Daisuke Nakane och Mr. Yuji Takiguchi från Tokyo University of Science (TUS) har använt djupinlärning för att förutsäga singelmolekylmagneter (SMM) från en pool av 20 000 metallkomplex. Denna innovativa strategi effektiviserar materialupptäckningsprocessen genom att minimera behovet av långa experiment.
Single-molecule magnets (SMMs) är metallkomplex som visar magnetiskt avslappningsbeteende på individuell molekylnivå, där magnetiska moment genomgår förändringar eller avslappning över tiden. Dessa material har potentiella tillämpningar i utvecklingen av högdensitetsminne, kvantmolekylära spintroniska enheter och kvantberäkningsenheter. SMM kännetecknas av att de har en hög effektiv energibarriär (Ueff ) för att det magnetiska momentet ska vända. Dessa värden ligger dock vanligtvis i intervallet från tiotals till hundratals kelviner, vilket gör SMM utmanande att syntetisera.
Forskarna använde djupinlärning för att identifiera sambandet mellan molekylära strukturer och SMM-beteende i metallkomplex med ligander av salentyp. Dessa metallkomplex valdes eftersom de lätt kan syntetiseras genom att komplexbinda aldehyder och aminer med olika 3d- och 4f-metaller.
För datamängden arbetade forskarna mycket med att screena 800 artiklar från 2011 till 2021, samla in information om kristallstrukturen och avgöra om dessa komplex uppvisade SMM-beteende. Dessutom fick de 3D-strukturdetaljer av molekylerna från Cambridge Structural Database.
Den molekylära strukturen av komplexen representerades med hjälp av voxlar eller 3D-pixlar, där varje element tilldelades ett unikt RGB-värde. Därefter fungerade dessa voxelrepresentationer som input till en 3D Convolutional Neural Network-modell baserad på ResNet-arkitekturen. Denna modell utformades specifikt för att klassificera molekyler som antingen SMM eller icke-SMM genom att analysera deras 3D-molekylära bilder.
När modellen tränades på en datauppsättning av kristallstrukturer av metallkomplex som innehöll komplex av salentyp, uppnådde den en 70% noggrannhetsgrad för att skilja mellan de två kategorierna. När modellen testades på 20 000 kristallstrukturer av metallkomplex innehållande Schiff-baser, upptäckte den framgångsrikt metallkomplexen som rapporterats som enmolekylära magneter.
"Detta är den första rapporten om djupinlärning om SMMs molekylära strukturer", säger Prof. Akitsu.
Många av de förutsagda SMM-strukturerna involverade multinukleära dysprosiumkomplex, kända för sina höga Ueff värden. Även om denna metod förenklar SMM-upptäcktsprocessen, är det viktigt att notera att modellens förutsägelser enbart är baserade på träningsdata och inte uttryckligen kopplar kemiska strukturer till deras kvantkemiska beräkningar, en föredragen metod i AI-assisterad molekylär design. Ytterligare experimentell forskning krävs för att erhålla data om SMM-beteende under enhetliga förhållanden.
Detta förenklade tillvägagångssätt har dock sina fördelar. Det minskar behovet av komplexa beräkningar och undviker den utmanande uppgiften att simulera magnetism.
Prof. Akitsu avslutar, "Att anta ett sådant tillvägagångssätt kan vägleda designen av innovativa molekyler, vilket ger betydande besparingar i tid, resurser och kostnader i utvecklingen av funktionella material."
Mer information: Yuji Takiguchi et al, Förutsägelsen av enmolekylära magnetegenskaper via djupinlärning, IUCrJ (2024). DOI:10.1107/S2052252524000770
Tillhandahålls av Tokyo University of Science
