通过深度学习加速单分子磁体的发现
由于安全问题、不切实际的实验条件或成本限制，在实验室环境中合成或研究某些材料通常会带来挑战。为此，科学家们越来越多地转向深度学习方法，这些方法涉及开发和训练机器学习模型，以识别数据中的模式和关系，包括有关材料属性、成分和行为的信息。利用深度学习，科学家可以根据材料的成分、结构和其他相关特征快速预测材料特性，识别潜在的候选材料以供进一步研究，并优化合成条件。
现在，在2024 年 2 月 1 日发表在国际晶体学联盟期刊 (IUCrJ)上的一项研究中，东京理科大学 (TUS) 的 Takashiro Akitsu 教授、助理教授 Daisuke Nakane 和 Yuji Takiguchi 先生使用深度学习来预测单个晶体-来自 20,000 个金属络合物的分子磁体 (SMM)。这种创新策略通过最大限度地减少冗长实验的需要来简化材料发现过程。
单分子磁体 (SMM) 是一种金属复合物，在单个分子水平上表现出磁弛豫行为，其中磁矩随着时间的推移而发生变化或弛豫。这些材料在高密度存储器、量子分子自旋电子器件和量子计算器件的开发中具有潜在的应用。SMM 的特点是具有较高的磁矩翻转有效能垒 (U eff )。然而，这些值通常在数十到数百开尔文的范围内，使得 SMM 的合成具有挑战性。
研究人员利用深度学习来识别具有 salen 型配体的金属配合物中分子结构和 SMM 行为之间的关系。选择这些金属络合物是因为它们可以通过醛和胺与各种 3d 和 4f 金属络合来轻松合成。对于该数据集，研究人员广泛筛选了 2011 年至 2021 年的 800 篇论文，收集有关晶体结构的信息并确定这些复合物是否表现出 SMM 行为。此外，他们还从剑桥结构数据库中获得了分子的 3D 结构细节。
复合物的分子结构使用体素或 3D 像素表示，其中每个元素都分配有唯一的 RGB 值。随后，这些体素表示作为基于 ResNet 架构的 3D 卷积神经网络模型的输入。该模型专门设计用于通过分析分子的 3D 分子图像将分子分类为 SMM 或非 SMM。
当该模型在包含 salen 型配合物的金属配合物晶体结构数据集上进行训练时，区分这两类的准确率达到了 70%。当该模型对 20,000 个含有席夫碱的金属配合物的晶体结构进行测试时，成功发现了被报道为单分子磁体的金属配合物。“这是关于 SMM 分子结构的深度学习的第一份报告，” Akitsu 教授说。
许多预测的 SMM 结构涉及多核镝络合物，以其高 U eff值而闻名。虽然这种方法简化了 SMM 发现过程，但值得注意的是，该模型的预测仅基于训练数据，并没有明确地将化学结构与其量子化学计算联系起来，而量子化学计算是人工智能辅助分子设计中的首选方法。需要进一步的实验研究来获得均匀条件下SMM行为的数据。
然而，这种简化的方法有其优点。它减少了对复杂计算的需求，并避免了模拟磁性的挑战性任务。Akitsu 教授总结道：“采用这种方法可以指导创新分子的设计，从而在功能材料的开发中显着节省时间、资源和成本。”
版权声明：本文由用户上传，如有侵权请联系删除！