Metal-organic Frameworks (MOFs) são estruturas metal-orgânicas porosas compostas de íons metálicos com ligantes orgânicos. Essas estruturas são particularmente muito versáteis, uma vez que a modificação de sua estrutura permitem diversas aplicações nas várias áreas do conhecimento. Nesse sentido, a identificação precisa do tamanho de poros em MOFs é crucial para entender e aprimorar suas propriedades. Assim, o ajuste de poros dos MOFs permite uma modificação mais previsível e precisa, resultando em materiais altamente eficientes e seletivos nas áreas de cristalização de proteínas, adsorção, catálise, separação e armazenamento de compostos, por exemplo. Por conseguinte, é de grande necessidade buscar por MOFs que apresentem tamanhos de poros específicos. Entretanto, métodos exclusivamente experimentais, por vezes, não são economicamente viáveis, além de, por vezes necessitarem de um longo tempo, dado os recursos e a grande quantidade de testes necessários para encontrar aquelas estruturas que possuam as propriedades desejadas. Portanto, métodos computacionais são interessantes no sentido de que conseguem comportar e processar uma ampla gama de dados experimentais e teóricos, o que pode ajudar explorar um grande espaço multidimensional de características em um tempo razoável, de modo a melhor guiar os esforços experimentais. Nesse sentido, este trabalho propõe a utilização de estruturas provenientes do MOF Database com o objetivo de aplicar redes neurais profundas para prever o tamanho de poro de um MOF, com base em propriedades quimico-estruturais que serviram como input para a rede neural. A partir disso, utilizou-se de algoritmos genéticos para gerar novas estruturas e, por meio da rede treinada, foi possível determinar o erro em relação ao tamaho de poro desejado, de forma a computar uma função de 'fitness'. Dessa maneira, depois de algumas gerações, pode-se gerar indivíduos com características estruturais que resultem em um tamanho de poro próximo do desejado. Assim, conclui-se que a rede neural convergiu de maneira razoável na previsão do tamanho de poro, com uma baixa função de perda. Além do mais, os algoritmos genéticos convergiram para o tamanho de poro desejado, de forma que, não se fez necessário uma quantidade exorbitante de gerações.
Bem-vindo(a) aos Anais do VII NanoMat, evento organizado pela Pós-graduação em Nanociências e Materiais Avançados da Universidade Federal do ABC (UFABC) com o intuito de reunir e debater trabalhos desenvolvidos por alunos e pós-doutorandos em Materiais e áreas afins.
Comissão Organizadora
Pedro Alves da Silva Autreto
Andre Luiz Martins de Freitas
Aryane Tofanello
Comissão Científica
Ferramenta completa de submissão, avaliação e publicação de anais para eventos científicos.
