Des chercheurs de l’Institut des sciences industrielles de l’Université de Tokyo utilisent l’intelligence artificielle pour interpréter les données générées par les expériences de spectroscopie en science des matériaux, qui peuvent contribuer au développement de nouveaux médicaments et de conducteurs organiques. Crédit : Institut des sciences industrielles, Université de Tokyo
Des scientifiques ont mis au point un algorithme d’apprentissage automatique qui prédit les niveaux d’énergie des électrons dans les molécules organiques. Cette avancée, entraînée sur une base de données de plus de 22 000 molécules, pourrait accélérer la conception de molécules fonctionnelles telles que les produits pharmaceutiques.
La chimie organique, l’étude des molécules à base de carbone, sous-tend non seulement la science des organismes vivants, mais elle est également essentielle pour de nombreuses technologies actuelles et futures, telles que les écrans à diodes électroluminescentes organiques (OLED). La compréhension de la structure électronique des molécules d’un matériau est essentielle pour prédire les propriétés chimiques de ce matériau.
Dans une étude récemment publiée par des chercheurs de l’Institut des sciences industrielles de l’Université de Tokyo, un algorithme d’apprentissage automatique a été mis au point pour prédire la densité d’états au sein d’une molécule organique, c’est-à-dire le nombre de niveaux d’énergie que les électrons peuvent occuper dans l’état fondamental au sein des molécules d’un matériau. Ces prédictions, basées sur des données spectrales, peuvent être d’une grande utilité pour les chimistes organiques et les spécialistes des matériaux lorsqu’ils analysent des molécules à base de carbone.
Les techniques expérimentales souvent utilisées pour déterminer la densité d’états peuvent être difficiles à interpréter. Cela est particulièrement vrai pour la méthode connue sous le nom de spectroscopie de perte de noyau, qui combine la spectroscopie de perte d’énergie à proximité d’une arête (ELNES) et la structure d’absorption des rayons X à proximité d’une arête (XANES). Ces méthodes irradient un faisceau d’électrons ou de rayons X sur un échantillon de matériau ; la dispersion des électrons qui en résulte et les mesures de l’énergie émise par les molécules du matériau permettent de mesurer la densité d’états de la molécule d’intérêt. Cependant, les informations que le spectre contient ne concernent que les états sans électrons (inoccupés) des molécules excitées.
Pour résoudre ce problème, l’équipe de l’Institut des sciences industrielles de l’Université de Tokyo a formé un modèle d’apprentissage automatique par réseau neuronal pour analyser les données de la spectroscopie de perte de noyau et prédire la densité des états électroniques. Tout d’abord, une base de données a été construite en calculant les densités d’états et les spectres de perte de noyau correspondants pour plus de 22 000 molécules. Ils ont également ajouté du bruit simulé. Ensuite, l’algorithme a été entraîné sur les spectres de perte de noyau et optimisé pour prédire la densité correcte des états occupés et inoccupés à l’état fondamental.
« Nous avons tenté d’extrapoler les prédictions pour des molécules plus grandes à l’aide d’un modèle entraîné par des molécules plus petites. Nous avons découvert que la précision pouvait être améliorée en excluant les molécules minuscules », explique l’auteur principal Po-Yen Chen.
L’équipe a également découvert qu’en utilisant un prétraitement de lissage et en ajoutant un bruit spécifique aux données, les prédictions de la densité d’état peuvent être améliorées, ce qui peut accélérer l’adoption du modèle de prédiction pour une utilisation sur des données réelles.
« Notre travail peut aider les chercheurs à comprendre les propriétés matérielles des molécules et à accélérer la conception de molécules fonctionnelles », explique l’auteur principal Teruyasu Mizoguchi. Il peut s’agir de produits pharmaceutiques et d’autres composés intéressants.
Référence : « Prediction of the Ground-State Electronic Structure from Core-Loss Spectra of Organic Molecules by Machine Learning » par Po-Yen Chen, Kiyou Shibata, Katsumi Hagita, Tomohiro Miyata et Teruyasu Mizoguchi, 17 mai 2023, The Journal of Physical Chemistry Letters.
DOI:10.1021/acs.jpclett.3c00142