Perchlorate sind eine Klasse von Verbindungen, die für ihre explosive Natur berüchtigt sind. Dies wirft bei Experimenten mit komplexen Verbindungen, die Perchlorationen enthalten, Sicherheitsbedenken auf, da bereits die geringste Erschütterung oder Hitze Explosionen auslösen kann. Daher ist es wichtig, ihre molekulare Struktur zu untersuchen und den Grund für ihre explosive Natur zu verstehen.
In diesem Zusammenhang wurde eine Methode namens Hirschfield-Oberflächenanalyse häufig zur Visualisierung und Quantifizierung der Kristallstruktur und molekularen Wechselwirkungen von Kristallverbindungen eingesetzt. Ein aus der Hirschfield-Analyse abgeleitetes zweidimensionales Fingerabdruckdiagramm zeigt anschaulich die komplexen Wechselwirkungen in Kristallen.
Trotz ihrer Vorteile beruhen diese Methoden jedoch nur auf der Beurteilung des menschlichen Auges, was ihre Gesamtwirksamkeit einschränkt. Auf der Suche nach einer Möglichkeit, diese Einschränkungen zu überwinden, haben aktuelle Studien den Einsatz von Methoden des Deep Learning und der künstlichen Intelligenz (KI) zur Analyse untersucht. Diese Studien haben auf den potenziellen Nutzen der Verwendung von KI hingewiesen, um Merkmale aufzudecken, die für Menschen schwer zu erkennen sind.
Um nun das Potenzial der Hirschfield-Oberflächenanalyse voll auszuschöpfen, hat ein Forscherteam unter der Leitung von Professor Takashiro Akitsu vom Fachbereich Chemie und dem Zentrum für Feuerwissenschaft und -technologie der Tokyo University of Science (TUS) in Japan kürzlich tiefgreifende Maßnahmen ergriffen Lernen, die Hirschfield-Oberfläche von Metallkomplexen vom Salen-Typ zu analysieren. Zum Studienteam gehörten auch Yuji Takiguchi, Shintaro Suda und Assistenzprofessor Daisuke Nakane, alle von der TUS.
Komplexe vom Salen-Typ sind vor allem aufgrund ihrer vielfältigen Funktionen ein aufstrebendes und lukratives Forschungsgebiet. „Tatsächliche Experimente zu den explosiven und thermischen Eigenschaften dieser Materialien sind genau, aber äußerst gefährlich, und daher kann der Einsatz von KI zur Untersuchung dieser Eigenschaften allein durch die Analyse der Kristallstruktur sehr vorteilhaft sein“, erklärt Akitsu. Die Ergebnisse dieser Studie waren veröffentlicht im Tagebuch FirePhysChem am 30. Dezember 2023.
Das Team entwickelte umfangreiche Datensätze der Hirschfield-Fingerabdruckdiagramme der Metallkomplexe vom Salen-Typ, die in der Cambridge Crystal Database (CCDC) gespeichert sind, und nutzte Deep Learning, um die Merkmale der Kristallstruktur zu untersuchen, die zu ihrer Explosivität beitragen. Zu diesem Zweck verwendeten die Forscher auch einen speziellen Variations-Autoencoder, mit dem sie die in den Fingerabdruck-Plotbildern eingebetteten Informationen in einen niedrigdimensionalen Vektor umwandelten. Dies ermöglichte es ihnen, die Formen der Parzellen quantitativ zu untersuchen, was bisher nur qualitativ möglich war.
Ihre Analyse ergab, dass den Metallkomplexen vom Salen-Typ keinerlei charakteristische Strukturmerkmale fehlen, was darauf hindeutet, dass ihre explosive Natur mit der chemischen Bindung der Perchlorationen und den sie umgebenden intermolekularen Wechselwirkungen zusammenhängt.
Prof. Akitsu unterstreicht die Bedeutung dieser Studie und erklärt: „Traditionell hat sich das Gebiet der Kristalltechnik ausschließlich auf die Wechselwirkungen kleiner Moleküle in Kristallen konzentriert. In Zukunft werden jedoch Wechselwirkungen in komplexen Systemen an Bedeutung gewinnen. Das bedeutet, dass die Untersuchung ihrer.“ intermolekulare Wechselwirkungen werden noch wichtiger. Unsere neuartige Methode kann bei der Untersuchung solcher Wechselwirkungen helfen, indem sie allein die Kristallstruktur versteht. Darüber hinaus kann sie auch zur Entdeckung neuer Medikamente beitragen und die katalytische Forschung vorantreiben.“
Diese Studie nutzt auch das CCDC, das trotz mehr als 1 Million Einträgen immer noch unzureichend genutzt wird. Darüber hinaus kann die in dieser Studie vorgeschlagene innovative Methode die Nutzung dieser Datenbank fördern und zur Entdeckung neuer und interessanter Verbindungen führen.
Insgesamt bietet die Studie Einblicke in die explosive Natur von Perchloraten und stellt darüber hinaus eine sicherere datengesteuerte Methode zur Untersuchung der physikalischen Eigenschaften von Verbindungen vor, die die Kristalltechnik und die Forschung zu energetischen Materialien vorantreibt.
Mehr Informationen:
Takashiro Akitsu et al., Deep-Learning-Vorhersage der Sicherheitseinheit von Komplexkristallen vom Salen-Typ gegenüber explosiven Perchloratsalzen, FirePhysChem (2023). DOI: 10.1016/j.fpc.2023.12.004