Avanceret databehandling baner vej til fremtiden for NMR-spektroskopi

Nuklear magnetisk resonans (NMR) spektroskopi hjælper kemikere og andre videnskabsmænd med at identificere og udforske atomare strukturer. Imidlertid, NMR er begrænset af tilgængeligheden af ​​kataloger med referencedata til at sammenligne og identificere strukturer.

Ny kollaborativ forskning fra Institut for Kemi i Kunst og Videnskab ved Washington University i St. Louis, Lawrence Berkeley National Laboratory og Department of Materials Science and Engineering ved University of California, Berkeley, udnyttede kvantekemi-tilgange til at udvikle yderligere datainfrastruktur til en isotop af silicium, 29Si. Silicium er især relevant på grund af dets betydelige rolle i materialevidenskab - det bruges i halvledere til elektronik og allestedsnærværende i glasagtige materialer - og det er en vigtig bestanddel af klipper og mineraler.

Forskningen er publiceret i Nature's npj Beregningsmaterialer den 12. maj.

Sophia E. Hayes, professor i kemi og ekspert i NMR-spektroskopi, ved bedre end de fleste, hvor kraftig NMR kan være til at analysere materialers struktur. Hayes - ikke fremmed for at kombinere teknikker til at skabe nye forskningsveje - bruger NMR i sit laboratorium i forbindelse med optisk excitation og detektionsmetoder til at studere strukturen og egenskaberne af uorganiske systemer, inklusive halvledere.

I dette nye værk, Hayes og medforfatter Shyam Dwaraknath, materialeforsker og ingeniør ved Lawrence Berkeley National Lab, gøre brug af banebrydende computermetoder til at generere nye datasæt til 29Si og bekræfte deres gyldighed. Selvom de nuværende eksperimentelle datakataloger for silicium er begrænsede, nylige stigninger i beregningskraft muliggør hurtig udvidelse af simulerede NMR-data ud over simpel ekstrapolering fra eksisterende data.

Holdet rapporterede succes med to avancerede beregningsværktøjer:Vienna Ab initio Simulation Package (VASP) og Cambridge Serial Total Energy Package (CASTEP). Ved at bruge disse værktøjer, de genererede beregningsmæssigt forudsigelser for NMR-målbare (udtrykt matematisk som "tensorer") for silicium, sammenlignede derefter det oprettede datasæt med eksperimentelt observerede data, og korrigerede systematisk de maskingenererede data.

Beregnet og eksperimentelt rapporterede værdier afstemte bemærkelsesværdigt godt med hensyn til NMR-parametre, lover et gennembrud i, hvad der er muligt i fremtidig NMR-analyse. Det rensede datasæt genereret af Hayes og Dwaraknath, samt deres samling af softwareværktøjer, er tilgængelig som en fællesskabsressource i den delte database for lokal spektroskopidatainfrastruktur (LSDI) via Materials Project.

"Besiddelsen af ​​et så stort datasæt tillader sammenligninger af de beregnede parametre på tværs af et stort antal strukturer, åbner muligheder for maskinlæring, " bemærkede holdet. "Når NMR-udøvere bruger LSDI-datasættet, de vil blive bemyndiget til at sammenligne deres eksperimentelle målinger med en række relaterede strukturer, hvilket i sidste ende vil lette tildelingen af ​​disse spektre. Denne type datasæt kan åbne den næste æra i solid-state NMR-spektroskopi, omfatter en informatiktilgang til eksperimentelt design."