Die Synthese oder Untersuchung bestimmter Materialien in einer Laborumgebung stellt aufgrund von Sicherheitsbedenken, unpraktischen Versuchsbedingungen oder Kostenbeschränkungen häufig Herausforderungen dar. Als Reaktion darauf greifen Wissenschaftler zunehmend auf Deep-Learning-Methoden zurück, bei denen maschinelle Lernmodelle entwickelt und trainiert werden, um Muster und Beziehungen in Daten zu erkennen, die Informationen über Materialeigenschaften, Zusammensetzungen und Verhaltensweisen enthalten.
Mithilfe von Deep Learning können Wissenschaftler schnell Vorhersagen über Materialeigenschaften auf der Grundlage der Zusammensetzung, Struktur und anderer relevanter Merkmale des Materials treffen, potenzielle Kandidaten für weitere Untersuchungen identifizieren und Synthesebedingungen optimieren.
Jetzt in eine Studie Erscheinen in International Union of Crystallography Journal (IUCrJ)Professor Takashiro Akitsu, Assistenzprofessor Daisuke Nakane und Herr Yuji Takiguchi von der Tokyo University of Science (TUS) haben Deep Learning genutzt, um Einzelmolekülmagnete (SMMs) aus einem Pool von 20.000 Metallkomplexen vorherzusagen. Diese innovative Strategie rationalisiert den Materialentdeckungsprozess, indem sie die Notwendigkeit langwieriger Experimente minimiert.
Einzelmolekülmagnete (SMMs) sind Metallkomplexe, die ein magnetisches Relaxationsverhalten auf der Ebene einzelner Moleküle zeigen, wobei magnetische Momente im Laufe der Zeit Veränderungen oder Relaxationen erfahren. Diese Materialien haben potenzielle Anwendungen bei der Entwicklung von hochdichten Speichern, quantenmolekularen Spintronikgeräten und Quantencomputergeräten. SMMs zeichnen sich dadurch aus, dass sie eine hohe effektive Energiebarriere (Ueff) für das Umdrehen des magnetischen Moments aufweisen. Allerdings liegen diese Werte typischerweise im Bereich von zehn bis hundert Kelvin, was die Synthese von SMMs schwierig macht.
Die Forscher nutzten Deep Learning, um die Beziehung zwischen molekularen Strukturen und SMM-Verhalten in Metallkomplexen mit Liganden vom Salen-Typ zu identifizieren. Diese Metallkomplexe wurden ausgewählt, da sie leicht durch Komplexierung von Aldehyden und Aminen mit verschiedenen 3d- und 4f-Metallen synthetisiert werden können.
Für den Datensatz haben die Forscher intensiv daran gearbeitet, 800 Arbeiten aus den Jahren 2011 bis 2021 zu sichten, Informationen über die Kristallstruktur zu sammeln und festzustellen, ob diese Komplexe SMM-Verhalten zeigten. Darüber hinaus erhielten sie 3D-Strukturdetails der Moleküle aus der Cambridge Structural Database.
Die molekulare Struktur der Komplexe wurde mithilfe von Voxeln oder 3D-Pixeln dargestellt, wobei jedem Element ein eindeutiger RGB-Wert zugewiesen wurde. Anschließend dienten diese Voxeldarstellungen als Eingabe für ein 3D-Convolutional Neural Network-Modell basierend auf der ResNet-Architektur. Dieses Modell wurde speziell entwickelt, um Moleküle durch Analyse ihrer 3D-Molekülbilder als SMMs oder Nicht-SMMs zu klassifizieren.
Als das Modell anhand eines Datensatzes von Kristallstrukturen von Metallkomplexen trainiert wurde, die Komplexe vom Salen-Typ enthielten, erreichte es eine Genauigkeit von 70 % bei der Unterscheidung zwischen den beiden Kategorien. Als das Modell an 20.000 Kristallstrukturen von Metallkomplexen mit Schiffschen Basen getestet wurde, gelang es ihm, die Metallkomplexe zu entdecken, die als Einzelmolekülmagnete beschrieben wurden.
„Dies ist der erste Bericht über Deep Learning über die molekularen Strukturen von SMMs“, sagt Prof. Akitsu.
Bei vielen der vorhergesagten SMM-Strukturen handelte es sich um mehrkernige Dysprosiumkomplexe, die für ihre hohen Ueff-Werte bekannt sind. Während diese Methode den SMM-Entdeckungsprozess vereinfacht, ist es wichtig zu beachten, dass die Vorhersagen des Modells ausschließlich auf Trainingsdaten basieren und chemische Strukturen nicht explizit mit ihren quantenchemischen Berechnungen verknüpfen, einer bevorzugten Methode im KI-gestützten Moleküldesign. Weitere experimentelle Untersuchungen sind erforderlich, um Daten zum SMM-Verhalten unter einheitlichen Bedingungen zu erhalten.
Dieser vereinfachte Ansatz hat jedoch seine Vorteile. Es reduziert den Bedarf an komplexen rechnerischen Berechnungen und vermeidet die anspruchsvolle Aufgabe, Magnetismus zu simulieren.
Prof. Akitsu kommt zu dem Schluss: „Die Einführung eines solchen Ansatzes kann das Design innovativer Moleküle leiten und zu erheblichen Zeit-, Ressourcen- und Kosteneinsparungen bei der Entwicklung funktionaler Materialien führen.“
Mehr Informationen:
Yuji Takiguchi et al., Die Vorhersage der Eigenschaften von Einzelmolekülmagneten mittels Deep Learning, IUCrJ (2024). DOI: 10.1107/S2052252524000770