Busca avançada
Ano de início
Entree

Uso de tensores polares atômicos e parâmetros QCT para treinar um modelo de machine learning e prever constantes de Hammett

Processo: 18/24844-7
Linha de fomento:Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
Vigência (Início): 04 de março de 2019
Vigência (Término): 03 de março de 2020
Área do conhecimento:Ciências Exatas e da Terra - Química - Físico-química
Pesquisador responsável:Roy Edward Bruns
Beneficiário:Leonardo José Duarte
Supervisor no Exterior: Paul Popelier
Instituição-sede: Instituto de Química (IQ). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
Local de pesquisa : University of Manchester, Inglaterra  
Vinculado à bolsa:17/22741-3 - Uso de multipolos atômicos e desenvolvimento de modelos de machine learning na investigação de estados de transição, BP.DD
Assunto(s):Aprendizado computacional   Química teórica

Resumo

A aplicação do modelo de Carga - Transferência de Carga - Polarização Dipolar (CCTDP) reproduz qualitativamente as intensidades fundamentais no infravermelho de moléculas que já possuem seu espectro experimental determinado. Da mesma forma, o modelo CCTDP tem se mostrado uma ferramenta poderosa para extrair informação da natureza dinâmica das mudanças na densidade eletrônica causadas pelo movimento vibracional de diferentes classes de moléculas. Dados experimentais apontam a existência de uma alta correlação entre parâmetros de reatividade (ou interações intermoleculares, como no caso de complexos de van der Waals) e intensidades no infravermelho. O modelo CCTDP permite identificar quais fatores, majoritariamente, determinam a reatividade ou as energias de estabilização. Nesse projeto, investigar-se-á constantes de desprotonação de diversos compostos e substituintes, explorando potenciais correlações com o modelo CCTDP.Por basearem-se na Teoria Quântica de Átomos em Moléculas (QTAIM), desenvolvido pelo professor Bader, os parâmetros CCTDP são altamente transferíveis, i. e. são característicos de determinados grupos. Dessa forma, parâmetros CCTDP podem ser usados na construção de modelos preditivos, os quais permitem inferir sobre a reatividade sem a necessidade de elevados custos computacionais. Como a transferabilidade entre moléculas não é exata, técnicas de Machine Learning serão usadas para seu refinamento.