Perklorater är en klass av föreningar som är ökända för sin explosiva natur. Detta väcker säkerhetsproblem under experiment som involverar komplexa föreningar som innehåller perkloratjoner, eftersom explosioner kan utlösas även av den minsta stöt eller värme. Det är därför viktigt att studera deras molekylära struktur och förstå orsaken bakom deras explosiva natur.
I detta sammanhang har en metod som kallas Hirschfield ytanalys använts i stor utsträckning för att visualisera och kvantifiera kristallstrukturen och molekylära interaktioner av kristallföreningar. En tvådimensionell fingeravtrycksplot härledd från Hirschfield-analysen visar tydligt de komplexa interaktionerna i kristaller.
Trots sina fördelar förlitar sig dessa metoder endast på det mänskliga ögats bedömning, vilket begränsar deras totala effektivitet. På jakt efter ett sätt att övervinna dessa begränsningar har nya studier undersökt användningen av djupinlärning och artificiell intelligens (AI) metoder för analys. Dessa studier har pekat på den potentiella fördelen med att använda AI för att avslöja de funktioner som är utmanande att urskilja för människor.
För att nu fullt ut inse potentialen i Hirschfields ytanalys, har ett team av forskare, ledd av professor Takashiro Akitsu från Institutionen för kemi och Center for Fire Science and Technology vid Tokyo University of Science (TUS) i Japan, nyligen anställt djupgående lära sig att analysera Hirschfield-ytan av metallkomplex av salentyp. I studiegruppen ingick också Yuji Takiguchi, Shintaro Suda och biträdande professor Daisuke Nakane, alla från TUS.
Salen-komplex är ett framväxande och lukrativt forskningsområde, främst på grund av deras olika funktioner. "Faktiska experiment på explosiva och termiska egenskaper hos dessa material är korrekta men extremt farliga, och därför kan det vara ganska fördelaktigt att använda AI för att studera dessa egenskaper genom att enbart analysera kristallstrukturen", förklarar Akitsu. Resultaten av denna studie publicerades i tidskriften FirePhysChem den 30 december 2023.
Teamet utvecklade omfattande datauppsättningar av Hirschfields fingeravtrycksdiagram av metallkomplex av salen-typ som lagrats i Cambridge Crystal Database (CCDC) och använde djupinlärning för att studera egenskaperna hos kristallstrukturen som bidrar till deras explosivitet. För detta ändamål använde forskarna också en speciell variationsautokodare med vilken de omvandlade informationen inbäddad i fingeravtrycksbilderna till en lågdimensionell vektor. Detta gjorde det möjligt för dem att kvantitativt studera formerna på tomterna, vilket hittills bara gjorts kvalitativt.
Deras analys avslöjade att metallkomplexen av salentyp saknar några distinkta strukturella egenskaper, vilket tyder på att deras explosiva natur är kopplad till den kemiska bindningen av perkloratjonerna och deras omgivande intermolekylära interaktioner.
Prof. Akitsu framhåller vikten av denna studie och förklarar, "Traditionellt har kristalltekniken enbart koncentrerat sig på växelverkan mellan små molekyler i kristaller. Men i framtiden kommer växelverkan i komplexa system att få betydelse. Detta betyder att man studerar deras intermolekylära interaktioner kommer att bli ännu mer avgörande. Vår nya metod kan hjälpa till att studera sådana interaktioner genom att enbart förstå kristallstrukturen. Dessutom kan den också bidra till upptäckten av nya läkemedel och främja katalytisk forskning."
Denna studie använder också CCDC, som, trots att den har mer än 1 miljon poster, fortfarande är underutnyttjad. Dessutom kan den innovativa metod som föreslås i denna studie främja användningen av denna databas och kan leda till upptäckten av nya och intressanta föreningar.
Sammantaget ger studien insikter i perkloraternas explosiva natur, förutom att den också presenterar en säkrare datadriven metod för att studera föreningars fysikaliska egenskaper, föra fram kristallteknik och forskning om energiska material.
Mer information: Takashiro Akitsu et al, djupinlärningsförutsägelse av säkerhetsdelen av komplexa kristaller av salentyp mot explosiva perkloratsalter, FirePhysChem (2023). DOI:10.1016/j.fpc.2023.12.004
Tillhandahålls av Tokyo University of Science
