Exploración química del espacio con moléculas "sin mente" artificiales

Área de la Ciencia:

• Química computacional
• Química cuántica
• Ciencias de los materiales

Sus antecedentes:

• La predicción precisa de las energías de reacción química es crucial para la química computacional.
• Es posible que los parámetros moleculares existentes no representen adecuadamente el espacio químico más allá de las estructuras convencionales.
• El desarrollo de modelos computacionales robustos requiere conjuntos de datos diversos y desafiantes.

Objetivo del estudio:

• Introduzco MindlessGen, una nueva herramienta de Python para generar moléculas químicamente diversas.
• Presentar el conjunto de referencia MB2061, con datos computacionales de alto nivel para las reacciones de descomposición promovidas por H2.
• Evaluar el rendimiento de varios métodos computacionales, incluidas las aproximaciones funcionales de densidad (DFAs), los métodos semiempíricos y los potenciales de aprendizaje automático.

Principales métodos:

• Utilizado MindlessGen para la colocación atómica aleatoria y la optimización de la geometría para crear nuevas estructuras moleculares.
• Se han generado datos de referencia de alto nivel PNO-LCCSD(T) -F12 para 2061 moléculas del conjunto MB2061.
• Evaluó la precisión de diferentes DFAs, métodos semiempíricos y potenciales de aprendizaje automático frente a los datos de referencia.

Principales resultados:

• El conjunto MB2061 proporciona un punto de referencia desafiante, revelando las tendencias de rendimiento de los métodos computacionales.
• No se encontró una relación consistente entre la estrategia de parametrización de DFA y la precisión en este conjunto.
• Se observó una tendencia de la escalera de Jacob para los DFAs, con ωB97X-2 que muestra el error absoluto medio más bajo (MAE) de 8,4 kcal·mol−1.
• r2SCAN-3c ofrecía una alternativa rentable con un MAE de 19,6 kcal·mol−1.

Conclusiones:

• MindlessGen y el conjunto de referencia MB2061 permiten pruebas rigurosas de modelos químicos computacionales.
• El estudio pone de relieve las variaciones de rendimiento de los diferentes métodos, en particular los DFA, en las nuevas estructuras moleculares.
• Los hallazgos guían la selección y el desarrollo de herramientas computacionales precisas y eficientes para la investigación química.