Síntesis de Redes Orgánicas Covalentes Altamente Cristalinas Utilizando Modelos de Lenguaje Grandes

Área de la Ciencia:

• Ciencia de Materiales
• Química
• Inteligencia Artificial

Sus antecedentes:

• La cristalización de redes orgánicas covalentes (COF) es crucial para la química reticular, pero a menudo requiere una optimización exhaustiva.
• Lograr un orden de largo alcance en los COF generalmente implica largos procesos de prueba y error que abarcan meses o años.

Objetivo del estudio:

• Acelerar significativamente el proceso de cristalización de redes orgánicas covalentes.
• Reducir el tiempo requerido para la síntesis de COF y mejorar el orden estructural.

Principales métodos:

• Integración de un agente de investigación profunda dentro de ChatGPT para formar la Técnica de Síntesis Acelerada LLM (LFAST).
• Utilización de una indicación estructurada y de múltiples pasos para extraer y validar parámetros de síntesis de la literatura química.
• Empleo de una plataforma de síntesis automatizada con difracción de rayos X de polvo (PXRD) de alto rendimiento para la ejecución y el análisis de condiciones.

Principales resultados:

• Reducción del cronograma de cristalización de COF a menos de un mes.
• Logro de un aumento del 350% en el índice de cristalinidad (CI) para el COF de referencia, TpPa-SO3H.
• Síntesis exitosa de un COF-2000 no reportado previamente con un orden estructural mejorado.

Conclusiones:

• La metodología LFAST acelera drásticamente la cristalización de COF y mejora la calidad del material.
• Introducción de un formato de metadatos estandarizado para mejorar la reproducibilidad y la accesibilidad de los datos.
• Este enfoque basado en datos transforma la síntesis de COF y acelera el descubrimiento de materiales.