En el universo de la química orgánica, la ardua tarea de entender la estructura electrónica de las moléculas es crucial para prever las propiedades químicas de un material. La importancia de este estudio radica en su aplicación en múltiples campos, desde la vida cotidiana hasta la tecnología avanzada, como los displays de diodos orgánicos emisores de luz (OLED). A menudo, los científicos se encuentran con dificultades para interpretar los resultados de las técnicas experimentales que se utilizan para determinar la densidad de estados, un concepto clave que se refiere al número de niveles de energía que los electrones pueden ocupar en el estado fundamental de las moléculas de un material.
Un equipo de investigadores del Instituto de Ciencia Industrial de la Universidad de Tokio ha recurrido a la inteligencia artificial para superar estos obstáculos. Han desarrollado un algoritmo de aprendizaje automático que predice la densidad de estados dentro de una molécula orgánica. Sus predicciones, basadas en datos espectrales, son de gran ayuda para químicos orgánicos y científicos de materiales cuando analizan moléculas basadas en carbono.
La espectroscopía de core-loss, un método comúnmente usado para determinar la densidad de estados, combina la espectroscopía de pérdida de energía cercana al borde (ELNES) y la espectroscopía de absorción de rayos X cercana al borde (XANES). Estos métodos irradian un haz de electrones o rayos X en una muestra de material; la posterior dispersión de electrones y las mediciones de energía emitida por las moléculas del material permiten medir la densidad de estados de la molécula de interés. Sin embargo, la información que aporta el espectro es sólo de los estados ausentes (no ocupados) de las moléculas excitadas.
Para resolver este problema, el equipo del Instituto de Ciencia Industrial de la Universidad de Tokio entrenó un modelo de aprendizaje automático, específicamente una red neuronal, para analizar los datos de espectroscopía de pérdida de núcleo y predecir la densidad de estados electrónicos. Primero, construyeron una base de datos calculando las densidades de estados y los espectros de pérdida de núcleo correspondientes para más de 22,000 moléculas. También añadieron cierto ruido simulado. A continuación, el algoritmo se entrenó en espectros de core-loss y se optimizó para predecir la correcta densidad de estados tanto ocupados como no ocupados en el estado fundamental.
Po-Yen Chen, el autor principal del estudio, explica que el equipo intentó extrapolar las predicciones a moléculas más grandes utilizando un modelo entrenado con moléculas más pequeñas. Descubrieron que la precisión de las predicciones podía mejorarse excluyendo las moléculas más pequeñas. Además, encontraron que mediante el uso de un preprocesamiento de suavizado y añadiendo un ruido específico a los datos, las predicciones de la densidad de estados podían mejorarse, lo que acelera la adopción del modelo de predicción para su uso con datos reales.
“El desarrollo de este modelo de predicción puede ayudar a los investigadores a comprender las propiedades de las moléculas y acelerar el diseño de moléculas funcionales”, afirma Teruyasu Mizoguchi, autor sénior del estudio. De esta forma, la inteligencia artificial se está abriendo camino en la química orgánica, ofreciendo nuevas perspectivas y herramientas para el desarrollo de compuestos innovadores, desde fármacos hasta otros materiales prometedores.
Referencia: https://pubs.acs.org/doi/10.1021/acs.jpclett.3c00142
