TOKIO, Japón — La química orgánica, el estudio de las moléculas basadas en el carbono, no solo es fundamental para la ciencia de los organismos vivos, sino que es esencial para muchas tecnologías actuales y futuras, como las pantallas de diodos orgánicos emisores de luz (OLED). Comprender la estructura electrónica de las moléculas de materia es fundamental para predecir las propiedades químicas de la materia.
En un estudio publicado recientemente por investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio, se desarrolló un algoritmo de aprendizaje automático para predecir la densidad de estados dentro de una molécula orgánica, es decir, el número de niveles de energía que tienen los electrones en el estado fundamental. puede ocupar dentro de las moléculas de una sustancia. Estas predicciones, basadas en datos espectrales, pueden ser muy útiles para los químicos orgánicos y los científicos de materiales al analizar moléculas basadas en carbono.
Las técnicas experimentales que se utilizan a menudo para encontrar la densidad de estados pueden ser difíciles de interpretar. Esto es particularmente cierto para un método conocido como espectroscopia de pérdida de núcleo, que combina la espectroscopia de borde cercano de pérdida de energía (ELNES) con la estructura de absorción de rayos X de borde cercano (XANES). Estos métodos irradian un haz de electrones o rayos X a una muestra del material; La dispersión de electrones resultante y las mediciones de la energía liberada por las moléculas de una sustancia permiten medir la densidad de estados de la molécula de interés. Sin embargo, la información que tiene el espectro está solo en el estado de electrones ausentes (desocupados) de las moléculas excitadas.
Para abordar este problema, el equipo del Instituto de Ciencias Industriales de la Universidad de Tokio entrenó un modelo de aprendizaje automático de redes neuronales para analizar los datos de espectroscopia de pérdida del núcleo y predecir la densidad de los estados electrónicos. En primer lugar, se generó una base de datos calculando las densidades de estado y los espectros de pérdida de núcleo correspondientes para más de 22 000 moléculas. También agregaron algo de ruido simulado. A continuación, el algoritmo se entrenó en espectros de pérdida de kernel y se optimizó para predecir la densidad correcta de estados ocupados y desocupados en el estado fundamental.
Hemos intentado extrapolar las predicciones de moléculas más grandes usando un modelo entrenado por moléculas más pequeñas. Descubrimos que la precisión se puede mejorar excluyendo partículas pequeñas», explica el autor principal Bo-yin Chen.
El equipo también descubrió que al usar un preprocesamiento sencillo y agregar ruido específico a los datos, se pueden mejorar las predicciones de la densidad del estado, lo que puede acelerar la adopción del modelo de predicción para su uso en datos reales.
«Nuestro trabajo puede ayudar a los investigadores a comprender las propiedades físicas de las moléculas y acelerar el diseño de moléculas funcionales», dice el autor principal Teruyasu Mizoguchi. Esto puede incluir drogas y otros compuestos emocionantes.
«Gurú del alcohol. Analista. Defensor de la comida. Aficionado extremo al tocino. Experto total en Internet. Adicto a la cultura pop. Pionero de viajes sutilmente encantador».