Dyb læring afslører molekylære hemmeligheder bag eksplosive perkloratsalte

Perklorater er en klasse af forbindelser, der er berygtet for deres eksplosive natur. Dette rejser sikkerhedsproblemer under eksperimenter, der involverer komplekse forbindelser, der indeholder perchlorationer, da eksplosioner kan udløses selv ved det mindste stød eller varme. Det er derfor vigtigt at studere deres molekylære struktur og forstå årsagen bag deres eksplosive natur.

I denne sammenhæng er en metode kaldet Hirschfield overfladeanalyse blevet brugt i vid udstrækning til at visualisere og kvantificere krystalstrukturen og molekylære interaktioner af krystalforbindelser. Et todimensionelt fingeraftryksplot afledt af Hirschfield-analysen viser levende de komplekse interaktioner i krystaller.

På trods af deres fordele er disse metoder dog kun afhængige af det menneskelige øjes vurdering, hvilket begrænser deres samlede effektivitet. På udkig efter en måde at overvinde disse begrænsninger på, har nyere undersøgelser udforsket brugen af ​​dyb læring og kunstig intelligens (AI) metoder til analyse. Disse undersøgelser har peget på den potentielle fordel ved at bruge kunstig intelligens til at afsløre de funktioner, der er udfordrende at skelne for mennesker.

For nu fuldt ud at realisere potentialet ved Hirschfield overfladeanalyse, har et team af forskere, ledet af professor Takashiro Akitsu fra Institut for Kemi og Center for Brandvidenskab og -teknologi ved Tokyo University of Science (TUS) i Japan, for nylig ansat dybtgående lære at analysere Hirschfield-overfladen af ​​metalkomplekser af salen-typen. Undersøgelsesholdet omfattede også Yuji Takiguchi, Shintaro Suda og adjunkt Daisuke Nakane, alle fra TUS.

Salen-type komplekser er et spirende og lukrativt forskningsområde, primært på grund af deres forskellige funktioner. "Faktiske eksperimenter med disse materialers eksplosive og termiske egenskaber er nøjagtige, men ekstremt farlige, og derfor kan det være ret fordelagtigt at bruge AI til at studere disse egenskaber ved udelukkende at analysere krystalstrukturen," forklarer Akitsu. Resultaterne af denne undersøgelse blev offentliggjort i tidsskriftet FirePhysChem den 30. december 2023.

Holdet udviklede omfattende datasæt af Hirschfield-fingeraftryksplottene af salen-type metalkomplekser lagret i Cambridge Crystal Database (CCDC) og brugte dyb læring til at studere funktionerne i krystalstrukturen, der bidrager til deres eksplosivitet. Til dette formål brugte forskerne også en speciel variationsautoencoder, ved hjælp af hvilken de transformerede informationen indlejret i fingeraftryksplotbillederne til en lavdimensionel vektor. Dette satte dem i stand til kvantitativt at studere formene på plottene, hvilket indtil nu kun blev udført kvalitativt.

Deres analyse afslørede, at metalkomplekserne af salen-typen mangler nogle karakteristiske strukturelle træk, hvilket indikerer, at deres eksplosive natur er forbundet med den kemiske binding af perchlorationerne og deres omgivende intermolekylære interaktioner.

Prof. Akitsu fremhæver vigtigheden af ​​denne undersøgelse, og forklarer:"Traditionelt har krystalteknologien udelukkende koncentreret sig om vekselvirkningerne mellem små molekyler i krystaller. Men i fremtiden vil vekselvirkninger i komplekse systemer få betydning. Det betyder, at man studerer deres intermolekylære interaktioner vil blive endnu mere afgørende. Vores nye metode kan hjælpe med at studere sådanne interaktioner alene ved at forstå krystalstrukturen. Desuden kan den også bidrage til opdagelsen af ​​nye lægemidler og fremme katalytisk forskning."

Denne undersøgelse gør også brug af CCDC, som, på trods af at have mere end 1 million poster, stadig er underudnyttet. Desuden kan den innovative metode, der foreslås i denne undersøgelse, fremme brugen af ​​denne database og kan føre til opdagelsen af ​​nye og interessante forbindelser.

Samlet set giver undersøgelsen indsigt i den eksplosive natur af perklorater, udover at præsentere en sikrere datadrevet metode til at studere forbindelsers fysiske egenskaber, fremme krystalteknik og forskning i energiske materialer.

Flere oplysninger: Takashiro Akitsu et al, Deep-learning forudsigelse af sikkerhedsdel af salen-type komplekse krystaller mod eksplosive perchloratsalte, FirePhysChem (2023). DOI:10.1016/j.fpc.2023.12.004

Leveret af Tokyo University of Science