Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning
Ano de defesa: | 2023 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://app.uff.br/riuff/handle/1/30422 |
Resumo: | O uso da química computacional permitiu que diversos campos de química experimental pudessem se expandir ao fornecer uma visão quantum-mecânica dos fenômenos que se deseja estudar. Especialmente o Magnetismo Molecular, que lida com o spin e suas diferentes manifestações nas moléculas, é beneficiado por uma abordagem computacional para obter detalhes cruciais sobre os sistemas magnéticos. Utilizou-se métodos populares como a Density Functional Theory para avaliar os acoplamentos magnéticos em compostos magnéticos moleculares inéditos e técnicas de cálculos multirreferenciais como o CASSCF com correção perturbacional NEVPT2 para o estudo das componentes anisotrópicas a fim de compreender como a configuração eletrônica influencia as variações da anisotropia em diferentes centros metálicos. Fez-se uma extensiva análise da eficiência do método de BS-DFT na obtenção do acoplamento magnético para sete sistemas moleculares representativos com diferentes características e de complexidade crescente. Quarenta e oito níveis de teoria foram testados utilizando funções de base de qualidade triple-ξ para garantir resultados de maior acurácia confrontados contra medidas experimentais ou métodos ab inítio de altíssima qualidade como o DDCI3. Foi possível estabelecer uma abordagem otimizada para se obter bons resultados com Density Functional Theory para acoplamentos magnéticos. Construiu-se um novo método para prever a anisotropia magnética de Single-Ion Magnets a partir de Machine Learnning baseado na Teoria do Campo Ligante que permite obter a componente anisotrópica axial D em milissegundos, mas mantendo uma acurácia de aproximadamente 93% de um cálculo de CASSCF completo. Um estudo vasto da anisotropia magnética do íon de cobalto(II) foi compilado para otimização da Artificial Intelligence na busca de melhores resultados. O modelo de Machine Learning demonstra ser capaz de prever as componentes anisotrópicas de moléculas maiores e inéditas que não foram utilizadas no treinamento da rede neural artificial. |
id |
UFF-2_9b380397f6fd02ee870ddc288233ff36 |
---|---|
oai_identifier_str |
oai:app.uff.br:1/30422 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
|
spelling |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine LearningComputational chemistry applied to molecular magnetic systems: from DFT and CASSCF calculations to Machine LearningMagnetismo molecularQuímica computacionalMachine learningAcoplamento magnéticoComposto molecularLigantesAprendizado de máquinaSistema magnéticoAnisotropiaDensidade funcionalRede neural artificialMolecular magnetismComputational chemistryMachine learningO uso da química computacional permitiu que diversos campos de química experimental pudessem se expandir ao fornecer uma visão quantum-mecânica dos fenômenos que se deseja estudar. Especialmente o Magnetismo Molecular, que lida com o spin e suas diferentes manifestações nas moléculas, é beneficiado por uma abordagem computacional para obter detalhes cruciais sobre os sistemas magnéticos. Utilizou-se métodos populares como a Density Functional Theory para avaliar os acoplamentos magnéticos em compostos magnéticos moleculares inéditos e técnicas de cálculos multirreferenciais como o CASSCF com correção perturbacional NEVPT2 para o estudo das componentes anisotrópicas a fim de compreender como a configuração eletrônica influencia as variações da anisotropia em diferentes centros metálicos. Fez-se uma extensiva análise da eficiência do método de BS-DFT na obtenção do acoplamento magnético para sete sistemas moleculares representativos com diferentes características e de complexidade crescente. Quarenta e oito níveis de teoria foram testados utilizando funções de base de qualidade triple-ξ para garantir resultados de maior acurácia confrontados contra medidas experimentais ou métodos ab inítio de altíssima qualidade como o DDCI3. Foi possível estabelecer uma abordagem otimizada para se obter bons resultados com Density Functional Theory para acoplamentos magnéticos. Construiu-se um novo método para prever a anisotropia magnética de Single-Ion Magnets a partir de Machine Learnning baseado na Teoria do Campo Ligante que permite obter a componente anisotrópica axial D em milissegundos, mas mantendo uma acurácia de aproximadamente 93% de um cálculo de CASSCF completo. Um estudo vasto da anisotropia magnética do íon de cobalto(II) foi compilado para otimização da Artificial Intelligence na busca de melhores resultados. O modelo de Machine Learning demonstra ser capaz de prever as componentes anisotrópicas de moléculas maiores e inéditas que não foram utilizadas no treinamento da rede neural artificial.The use of computational chemistry has allowed different fields of experimental chemistry to expand by providing a quantum-mechanical view of the phenomena one wishes to study. Especially Molecular Magnetism, which deals with spin and its different manifestations in molecules, benefits from a computational approach to get crucial details about magnetic systems. Popular methods such as Density Functional Theory were used to evaluate magnetic couplings in novel molecular magnetic compounds and multi-referential calculation techniques such as CASSCF with NEVPT2 perturbational correction to study anisotropic components to understand how the electronic configuration influences the variations of the anisotropy at different metal centers. An extensive analysis of the efficiency of the BS-DFT method in obtaining the magnetic coupling for seven representative molecular systems with different characteristics and increasing complexity was carried out. Forty-eight levels of theory were tested using triple-ξ quality base functions to ensure more accurate results compared against experimental measurements or very high-quality ab initio methods such as DDCI3. It was possible to establish an optimized approach to obtain good results with Density Functional Theory for magnetic couplings. A new method was built to predict the Single-Ion Magnets magnetic anisotropy from Machine Learning based on the Ligand Field Theory that allows obtaining the axial D anisotropic component in milliseconds but maintaining an accuracy of approximately 93% of a complete CASSCF calculation. A vast study of the magnetic anisotropy of the cobalt(II) ion was compiled to optimize the Artificial Intelligence in search of better results. The Machine Learning model proves to be able to predict the anisotropic components of larger and untested molecules that were not used in the training of the artificial neural network.292 f.Ferreira, Glaucio Bragahttp://lattes.cnpq.br/2670586422627997Guedes, Guilherme Pereirahttp://lattes.cnpq.br/1072583605352186Garcia, Fláviohttp://lattes.cnpq.br/3814399624794416Soriano, Stéphane Serge Yves Jérômehttp://lattes.cnpq.br/6935846012965819Cassaro, Rafael Alves Allãohttp://lattes.cnpq.br/3308934129008329Carneiro, José Walkimar de Mesquitahttp://lattes.cnpq.br/0365017664358426http://lattes.cnpq.br/7722268222023892Silva Junior, Henrique de Castro2023-09-18T21:09:46Z2023-09-18T21:09:46Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfSILVA JUNIOR, Henrique de Castro. Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning. 2021. 292 f. Tese (Doutorado em Química) – Programa de Pós-Graduação em Química, Instituto de Química, Universidade Federal Fluminense, Niterói, 2021.http://app.uff.br/riuff/handle/1/30422CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2023-09-18T21:09:50Zoai:app.uff.br:1/30422Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202023-09-18T21:09:50Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning Computational chemistry applied to molecular magnetic systems: from DFT and CASSCF calculations to Machine Learning |
title |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning |
spellingShingle |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning Silva Junior, Henrique de Castro Magnetismo molecular Química computacional Machine learning Acoplamento magnético Composto molecular Ligantes Aprendizado de máquina Sistema magnético Anisotropia Densidade funcional Rede neural artificial Molecular magnetism Computational chemistry Machine learning |
title_short |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning |
title_full |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning |
title_fullStr |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning |
title_full_unstemmed |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning |
title_sort |
Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning |
author |
Silva Junior, Henrique de Castro |
author_facet |
Silva Junior, Henrique de Castro |
author_role |
author |
dc.contributor.none.fl_str_mv |
Ferreira, Glaucio Braga http://lattes.cnpq.br/2670586422627997 Guedes, Guilherme Pereira http://lattes.cnpq.br/1072583605352186 Garcia, Flávio http://lattes.cnpq.br/3814399624794416 Soriano, Stéphane Serge Yves Jérôme http://lattes.cnpq.br/6935846012965819 Cassaro, Rafael Alves Allão http://lattes.cnpq.br/3308934129008329 Carneiro, José Walkimar de Mesquita http://lattes.cnpq.br/0365017664358426 http://lattes.cnpq.br/7722268222023892 |
dc.contributor.author.fl_str_mv |
Silva Junior, Henrique de Castro |
dc.subject.por.fl_str_mv |
Magnetismo molecular Química computacional Machine learning Acoplamento magnético Composto molecular Ligantes Aprendizado de máquina Sistema magnético Anisotropia Densidade funcional Rede neural artificial Molecular magnetism Computational chemistry Machine learning |
topic |
Magnetismo molecular Química computacional Machine learning Acoplamento magnético Composto molecular Ligantes Aprendizado de máquina Sistema magnético Anisotropia Densidade funcional Rede neural artificial Molecular magnetism Computational chemistry Machine learning |
description |
O uso da química computacional permitiu que diversos campos de química experimental pudessem se expandir ao fornecer uma visão quantum-mecânica dos fenômenos que se deseja estudar. Especialmente o Magnetismo Molecular, que lida com o spin e suas diferentes manifestações nas moléculas, é beneficiado por uma abordagem computacional para obter detalhes cruciais sobre os sistemas magnéticos. Utilizou-se métodos populares como a Density Functional Theory para avaliar os acoplamentos magnéticos em compostos magnéticos moleculares inéditos e técnicas de cálculos multirreferenciais como o CASSCF com correção perturbacional NEVPT2 para o estudo das componentes anisotrópicas a fim de compreender como a configuração eletrônica influencia as variações da anisotropia em diferentes centros metálicos. Fez-se uma extensiva análise da eficiência do método de BS-DFT na obtenção do acoplamento magnético para sete sistemas moleculares representativos com diferentes características e de complexidade crescente. Quarenta e oito níveis de teoria foram testados utilizando funções de base de qualidade triple-ξ para garantir resultados de maior acurácia confrontados contra medidas experimentais ou métodos ab inítio de altíssima qualidade como o DDCI3. Foi possível estabelecer uma abordagem otimizada para se obter bons resultados com Density Functional Theory para acoplamentos magnéticos. Construiu-se um novo método para prever a anisotropia magnética de Single-Ion Magnets a partir de Machine Learnning baseado na Teoria do Campo Ligante que permite obter a componente anisotrópica axial D em milissegundos, mas mantendo uma acurácia de aproximadamente 93% de um cálculo de CASSCF completo. Um estudo vasto da anisotropia magnética do íon de cobalto(II) foi compilado para otimização da Artificial Intelligence na busca de melhores resultados. O modelo de Machine Learning demonstra ser capaz de prever as componentes anisotrópicas de moléculas maiores e inéditas que não foram utilizadas no treinamento da rede neural artificial. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-09-18T21:09:46Z 2023-09-18T21:09:46Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
SILVA JUNIOR, Henrique de Castro. Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning. 2021. 292 f. Tese (Doutorado em Química) – Programa de Pós-Graduação em Química, Instituto de Química, Universidade Federal Fluminense, Niterói, 2021. http://app.uff.br/riuff/handle/1/30422 |
identifier_str_mv |
SILVA JUNIOR, Henrique de Castro. Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning. 2021. 292 f. Tese (Doutorado em Química) – Programa de Pós-Graduação em Química, Instituto de Química, Universidade Federal Fluminense, Niterói, 2021. |
url |
http://app.uff.br/riuff/handle/1/30422 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1797038183812169728 |