Química computacional aplicada a sistemas magnéticos moleculares: dos cálculos DFT e CASSCF ao Machine Learning

Abstract

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.