[ad_1]
東京大学生産技術研究所の研究者は、人工知能を利用して材料科学分光実験で生成されたデータの解釈を支援し、新薬や有機伝導体の開発に役立てています。 提供：東京大学生産技術研究所
科学者たちは、有機分子の電子エネルギーレベルを予測する機械学習アルゴリズムを開発しました。 22,000 を超える分子のデータベースで訓練されたこの画期的な技術により、医薬品などの機能性分子の設計が加速される可能性があります。
炭素ベースの分子の研究である有機化学は、生物の科学の基礎となるだけでなく、有機発光ダイオード (OLED) ディスプレイなどの現在および将来の多くの技術にとって重要です。 材料の分子の電子構造を理解することは、材料の化学的特性を予測する鍵となります。
東京大学生産技術研究所の研究者らによって最近発表された研究では、有機分子内の状態密度、つまり有機分子内で電子が占有することができるエネルギー準位の数を予測するための機械学習アルゴリズムが開発されました。物質の分子内の基底状態。 スペクトル データに基づくこれらの予測は、有機化学者や材料科学者が炭素ベースの分子を分析する際に非常に役立ちます。
状態密度を見つけるためによく使用される実験手法は、解釈が難しい場合があります。 これは、エネルギー損失近端分光法 (ELNES) と X 線吸収近端構造 (XANES) を組み合わせたコア損失分光法として知られる方法に特に当てはまります。 これらの方法では、電子ビームまたは X 線を材料サンプルに照射します。 結果として生じる電子の散乱と、材料の分子によって放出されるエネルギーの測定により、対象の分子の状態密度を測定することができます。 ただし、スペクトルが持つ情報は、励起分子の電子が存在しない (占有されていない) 状態のみです。
この問題に対処するために、東京大学生産技術研究所のチームは、コア損失分光データを分析し、電子状態の密度を予測するためにニューラル ネットワーク機械学習モデルをトレーニングしました。 まず、22,000 を超える分子の状態密度と対応するコア損失スペクトルを計算してデータベースを構築しました。 また、シミュレートされたノイズも追加されました。 次に、アルゴリズムはコア損失スペクトルでトレーニングされ、基底状態での占有状態と非占有状態の両方の正確な状態密度を予測するように最適化されました。
「私たちは、より小さな分子で訓練されたモデルを使用して、より大きな分子の予測を外挿しようと試みました。 私たちが発見したのは、[{” attribute=””>accuracy can be improved by excluding tiny molecules,” explains lead author Po-Yen Chen.
The team also found that by using smoothing preprocessing and adding specific noise to the data, the predictions of density of state can be improved, which can accelerate adoption of the prediction model for use on real data.
“Our work can help researchers understand the material properties of molecules and accelerate the design of functional molecules,” senior author Teruyasu Mizoguchi says. This can include pharmaceuticals and other exciting compounds.
Reference: “Prediction of the Ground-State Electronic Structure from Core-Loss Spectra of Organic Molecules by Machine Learning” 17 May 2023, The Journal of Physical Chemistry Letters.
DOI:10.1021/acs.jpclett.3c00142
[ad_2]
Source link