The BOS-TMC Dataset: DFT Properties of 159k Experimentally Characterized Transition Metal Complexes Spanning Multiple Charge and Spin States

Das Paper stellt das BOS-TMC-Dataset vor, eine umfassende Sammlung von DFT-Eigenschaften für über 159.000 experimentell charakterisierte mononukleare Übergangsmetallkomplexe in verschiedenen Ladungs- und Spinzuständen, die als hochpräzise Grundlage für maschinelles Lernen und DFT-Validierung dient.

Das Wesentliche

Das große Fotoalbum der Chemie: BOS-TMC

Stellen Sie sich vor, Sie wollen ein riesiges Kochbuch für die Chemie schreiben. Bisher hatten wir nur Rezepte für ganz einfache Gerichte (wie Salate aus Kohlenstoff, Wasserstoff und Sauerstoff). Aber die echte Welt der Chemie ist viel bunter: Sie ist voller komplexer Gerichte, die Übergangsmetalle (wie Eisen, Kupfer oder Gold) enthalten. Diese Metalle sind wie die „Hauptköche" in diesen Komplexen, und sie können ihre Stimmung (ihren Spin) ändern – mal sind sie ruhig (niedriger Spin), mal sehr energisch (hoher Spin).

Das Problem: Bisher gab es keine vollständige Liste dieser komplexen Gerichte mit genauen Rezepten (Daten), die man für Computerprogramme nutzen konnte.

Die Forscher um Heather Kulik haben jetzt genau das getan. Sie haben den BOS-TMC-Datensatz erstellt. Hier ist, was sie gemacht haben, einfach erklärt:

1. Der große Fundus: Das Cambridge-Archiv

Stellen Sie sich die Cambridge Structural Database (CSD) als eine riesige, weltweite Bibliothek vor, in der Millionen von Fotos von chemischen Molekülen lagern, die Wissenschaftler tatsächlich im Labor gebaut und fotografiert haben (meist mit Röntgenstrahlen).

• Das Problem: In dieser Bibliothek lagen die Daten oft unordentlich. Man wusste nicht immer genau, wie viel „Ladung" (wie viele Elektronen fehlen oder hinzukommen) ein Molekül hatte.
• Die Lösung: Die Forscher haben einen cleveren Algorithmus (einen digitalen Sortierroboter) entwickelt, der durch diese Bibliothek gelaufen ist, die Fotos gesichtet und die Ladung jedes Moleküls berechnet hat. Sie haben 159.000 dieser Moleküle ausgewählt.

2. Der Trick: Nicht alles neu erfinden

Früher haben Computerprogramme oft versucht, diese Moleküle am Computer neu zu „bauen" und zu optimieren. Das ist wie wenn man ein Foto von einem Haus nimmt und den Computer den Computer die Wände verschieben lässt, damit es „mathematisch perfekt" aussieht. Das Problem: Das Haus sieht dann vielleicht mathematisch schön aus, aber es ist nicht mehr das Haus, das der Architekt gebaut hat.

• Der Ansatz von BOS-TMC: Die Forscher haben gesagt: „Nein, wir behalten die Wände so, wie sie auf dem Foto sind!" Sie haben nur die kleinen Wasserstoff-Atome (die oft auf Fotos unscharf sind) am Computer nachjustiert.
• Warum das wichtig ist: So behalten die Daten die echte Realität aus dem Labor bei. Das ist wie ein hochauflösendes Foto statt einer Skizze.

3. Die Stimmungsschwankungen (Spins)

Ein Metall-Atom kann wie ein Chamäleon sein. Je nach Umgebung kann es verschiedene „Stimmungen" (Spins) annehmen.

• Ein Molekül kann im niedrigen Spin (ruhig) sein, im mittleren Spin oder im hohen Spin (sehr aktiv).
• Die Forscher haben für jedes der 159.000 Moleküle berechnet, wie es sich in diesen verschiedenen Stimmungen verhält. Das sind insgesamt über 343.000 Kombinationen.
• Die Analogie: Stellen Sie sich vor, Sie haben ein Auto. Bisher kannten wir nur die Geschwindigkeit, wenn das Auto auf der Autobahn fährt (ein Zustand). Jetzt haben wir Daten, wie das Auto fährt, wenn es im Stau steht, bergauf fährt oder im Schnee rutscht (alle Zustände).

4. Der riesige Datenschatz

Aus diesen Berechnungen haben sie eine riesige Liste von Eigenschaften erstellt (über 2,9 Millionen Datenpunkte):

• Wie viel Energie braucht das Molekül?
• Wie groß ist die Lücke zwischen den Elektronen (HOMO-LUMO-Abstand)?
• Wie stark ist das elektrische Feld (Dipolmoment)?
• Wie stabil ist das Molekül?

5. Der Test: Welches Werkzeug ist das beste?

In der Chemie gibt es viele verschiedene „Rechen-Regeln" (man nennt sie Funktionale), mit denen man diese Eigenschaften vorhersagt. Manche Regeln sind gut für einfache Dinge, andere für komplexe.

• Die Forscher haben einen Teil ihrer Daten (über 10.000 Moleküle) mit 12 verschiedenen Rechen-Regeln getestet.
• Das Ergebnis: Bei manchen Molekülen kamen bei den verschiedenen Regeln völlig unterschiedliche Ergebnisse heraus (manchmal ein Unterschied von 40 kcal/mol!). Das ist wie wenn 12 verschiedene Architekten dasselbe Haus berechnen und einer sagt, es wiegt 100 Tonnen, der andere 140.
• Die Erkenntnis: Es gibt „heiße Flecken" in der Chemie (bestimmte Moleküle, z. B. mit Kupfer), bei denen die Rechen-Regeln besonders unsicher sind. Diese Daten helfen zukünftigen Wissenschaftlern, bessere Regeln zu entwickeln.

Warum ist das wichtig?

Dieser Datensatz ist wie ein Trainingslager für künstliche Intelligenz (KI).

• Für KI: Um eine KI zu trainieren, die neue Medikamente oder Katalysatoren (Stoffe, die chemische Reaktionen beschleunigen) erfinden kann, braucht man riesige Mengen an hochwertigen Daten. BOS-TMC liefert genau das: echte, experimentelle Daten, die mit moderner Physik berechnet wurden.
• Für die Zukunft: Mit diesen Daten können wir besser vorhersagen, welche chemischen Verbindungen funktionieren werden, bevor wir sie im Labor bauen. Das spart Zeit, Geld und Ressourcen.

Zusammenfassend: Die Forscher haben aus einer riesigen, unordentlichen Bibliothek echter chemischer Fotos ein perfekt sortiertes, hochauflösiges Daten-Set gemacht, das zeigt, wie diese Moleküle in verschiedenen Zuständen funktionieren. Es ist das Fundament, auf dem die nächste Generation von KI-gestützter Chemie aufbauen wird.

Technische Zusammenfassung

1. Problemstellung und Motivation

Die Entwicklung von Machine-Learning-Modellen (ML) und die Validierung von Dichtefunktionaltheorie (DFT)-Methoden für Übergangsmetallkomplexe (TMCs) wird durch das Fehlen umfassender, hochwertiger Datensätze behindert. Bisherige Datensätze wie QM9 (nur organische Moleküle) oder tmQM/tmQMg (Übergangsmetallkomplexe) weisen erhebliche Einschränkungen auf:

• Eingeschränkte Ladungsspektren: Viele Datensätze schließen stark geladene Spezies ($|q| > 1$) aus, obwohl diese in der experimentellen Chemie (CSD) häufig vorkommen.
• Vernachlässigung von Spin-Zuständen: Die meisten Datensätze betrachten nur den Grundzustand (meist Low-Spin) oder beschränken sich auf 3d-Metalle. Open-Shell-Konfigurationen und Spin-Crossover-Phänomene werden oft ignoriert.
• Geometrische Abweichungen: Viele Datensätze nutzen DFT-optimierte Geometrien im Vakuum, die von den experimentellen Kristallstrukturen abweichen können. Dies führt zu Fehlern bei der Abbildung der realen chemischen Umgebung.
• Funktional-Abhängigkeit: Eigenschaften wie Spin-Splitting-Energien sind stark von der Wahl des Austausch-Korrelations-Funktionsals (xc) abhängig, was in bestehenden großen Datensätzen selten systematisch untersucht wurde.

2. Methodik

Die Autoren stellten den BOS-TMC-Datensatz (Boston Open-Shell Transition Metal Complex) zusammen, der auf experimentellen Daten aus der Cambridge Structural Database (CSD) basiert.

• Datenerstellung und Filterung:

  • Ausgehend von über 299.000 mononuklearen TMCs aus der CSD (Stand März 2024) wurden Filter angewendet (z. B. keine Polymere, keine Lanthanoide/Actinoide, konsistente Formeln).
  • Ein iterativer Workflow wurde entwickelt, um die Gesamtladung und den Oxidationszustand des Metalls basierend auf der Zelleinheit und Ligand-Zuordnung algorithmisch zuzuweisen.
  • Wasserstoffatome wurden hinzugefügt und optimiert, während die experimentellen Koordinaten der schweren Atome (Metall und Liganden) fixiert blieben, um die Kristallumgebung zu bewahren.

• Spin-Zustands-Zuweisung:

  • Basierend auf der Metall-Oxidationsstufe und der Elektronenkonfiguration wurden bis zu drei Spin-Zustände berechnet: Low-Spin (LS), Intermediate-Spin (IS) und High-Spin (HS).
  • Für 3d-Metalle wurden alle kompatiblen Spins berücksichtigt; für 4d/5d-Metalle meist LS und IS.
  • Besondere Berücksichtigung fanden „nicht-unschuldige" Liganden (open-shell Liganden), die den Gesamtspin beeinflussten.

• Berechnungsmethodik:

  • Geometrie-Optimierung: Nur Wasserstoffatome wurden mit TeraChem (PBE0/def2-SV(P)) unter Verwendung eines impliziten Solvensmodells (C-PCM, $\epsilon=10$) optimiert.
  • Einpunkt-Energien (Single-Point): Hochpräzise Berechnungen wurden mit Psi4 auf dem Niveau PBE0/def2-TZVP durchgeführt.
  • Vielzahl an Eigenschaften: Für jede Struktur wurden bis zu sieben Eigenschaften berechnet: HOMO/LUMO, HOMO-LUMO-Lücke, Dipolmomente, partielle Ladungen (Mulliken/Löwdin), Atomisierungsenergien und Spin-Splitting-Energien (VSSE).
  • Methoden-Sensitivität: Für eine Teilmenge von über 10.000 komplexen Strukturen (manyDFA-Set) wurden Eigenschaften mit 12 verschiedenen xc-Funktionalen (von Semilokal bis Double-Hybrid, z. B. PBE, B3LYP, M06-2X, $\omega$B97X-D) berechnet, um die Unsicherheit durch die Funktionswahl zu quantifizieren.

3. Schlüsselbeiträge

• Größe und Vielfalt: Der Datensatz umfasst 159.000 experimentell charakterisierte TMCs (126.000 eindeutige molekulare Graphen) mit 343.800 Spin/TMC-Kombinationen. Insgesamt wurden über 2,9 Millionen Eigenschaften generiert.
• Erweiterter Ladungsraum: Im Gegensatz zu Vorgängerdatensätzen enthält BOS-TMC einen signifikanten Anteil stark geladener Komplexe ($|q| > 1$), was die chemische Diversität deutlich erhöht.
• Spin-Abhängigkeit: Es ist der bisher größte Datensatz, der experimentelle Strukturen in mehreren Spin-Zuständen (LS, IS, HS) abdeckt, einschließlich 27.360 Komplexe, bei denen der Grundzustand nicht Low-Spin ist.
• Experimentelle Treue: Durch das Fixieren der schweren Atome werden Abweichungen durch Gasphasen-Optimierungen vermieden, was die Daten für ML-Modelle, die auf Kristallstrukturen trainiert werden sollen, wertvoller macht.
• Benchmarking für xc-Funktionale: Die systematische Analyse der Sensitivität gegenüber 12 verschiedenen DFT-Funktionalen identifiziert „Hotspots" (z. B. Cu(II)-Komplexe), bei denen die Wahl des Funktionals die Ergebnisse drastisch verändert.

4. Ergebnisse

• Konvergenz und Qualität: Die Erfolgsraten für die Berechnungen lagen bei ca. 96–98%. Nach dem Entfernen von Spin-Kontamination und Ausreißern verblieben über 122.000 eindeutige Graphen mit konvergierten Triple-Zeta-Ergebnissen.
• Eigenschaften und Trends:
  • Geladene Spezies ($|q| > 1$) zeigen im Durchschnitt größere HOMO-LUMO-Lücken als neutrale Spezies, aber kleinere Dipolmomente.
  • Die Atomisierungsenergien zeigen eine breite Streuung und sind stark von der Spin-Zustandsänderung abhängig (bis zu 55% Unterschied bei bestimmten Metallen wie Cu und Zn).
  • Der Vergleich mit dem tmQMg-Datensatz zeigt, dass BOS-TMC eine deutlich größere Bandbreite an Ladungen und Spin-Zuständen abdeckt.
• Spin-Splitting-Energien (VSSE): Die berechneten VSSEs reichen von -160 bis +235 kcal/mol. Dies ist eine deutlich größere Spanne als in früheren Studien (die oft auf oktaedrische Komplexe beschränkt waren).
• Funktional-Abhängigkeit:
  • Spin-Splitting-Energien zeigen die größte Sensitivität gegenüber der Funktionswahl (Standardabweichungen bis zu 40 kcal/mol über 12 Funktionale).
  • Cu(II)-Komplexe (insbesondere quadratisch-planar) und Fe(II/III)-Komplexe wurden als besonders anfällig für funktionale Abhängigkeiten identifiziert.
  • Range-Separated Hybride (z. B. $\omega$B97X-D, LRC-$\omega$PBEh) zeigen untereinander eine hohe Korrelation, während PBE und M06-2X oft am stärksten voneinander abweichen.

5. Bedeutung und Ausblick

Der BOS-TMC-Datensatz stellt einen Meilenstein für die computergestützte Übergangsmetallchemie dar.

• Machine Learning: Er bietet eine hochpräzise, diverse und experimentell fundierte Basis für das Training von ML-Modellen zur Vorhersage von Eigenschaften, Spin-Zuständen und Reaktivität, insbesondere für geladene und open-shell Systeme.
• Methodenentwicklung: Die Daten dienen als umfassender Benchmark, um die Grenzen aktueller DFT-Funktionale aufzudecken und neue, robustere Methoden für Spin-Splitting und Ladungsverteilung zu entwickeln.
• Chemische Entdeckung: Durch die Abdeckung eines breiten Spektrums an Ladungen, Spins und Ligandenfeldern ermöglicht der Datensatz die Exploration bisher unterrepräsentierter Bereiche des chemischen Raums und unterstützt die Entdeckung neuer Katalysatoren und Materialien.

Der Datensatz ist öffentlich über Zenodo verfügbar und bildet eine fundamentale Ressource für die nächste Generation datengestützter Entdeckungen in der Anorganischen Chemie.