U istraživanju objavljenom u časopisu International Union of Cristallographi Journal (IUCrJ), naučnici sa Univerziteta nauke u Tokiju koriste duboko učenje za predviđanje svojstava magneta sa jednim molekulom (SMM) iz velikog broja metalnih kompleksa. Ova inovativna strategija omogućava brže otkrivanje potencijalnih kandidata za dalja istraživanja i optimizaciju uslova sinteze, čime se minimiziraju potreba za dugim eksperimentima.
SMM su metalni kompleksi koji pokazuju ponašanje magnetne relaksacije na nivou pojedinačnog molekula, što ih čini zanimljivim za primene u oblasti memorije visoke gustine i kvantnih računarskih uređaja. Međutim, njihova sinteza može biti izazovna zbog visokih energetskih barijera za okretanje magnetnih momenata.
Korišćenjem dubokog učenja, istraživači su identifikovali odnos između molekularnih struktura i ponašanja SMM u metalnim kompleksima sa ligandima salenovog tipa. Koristeći slikovnu reprezentaciju molekularnih struktura i konvolucionu neuronsku mrežu, model je postigao visoku stopu tačnosti u razlikovanju između SMM i ne-SMM kompleksa.
Iako ovaj metod pojednostavljuje proces otkrivanja SMM-a, dalja eksperimentalna istraživanja su potrebna da bi se potvrdila predviđanja modela. Ipak, ovaj pristup može značajno ubrzati razvoj funkcionalnih materijala, donoseći uštede u vremenu, resursima i troškovima.
