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

Dit artikel introduceert de BOS-TMC-dataset, een uitgebreide verzameling van meer dan 2,9 miljoen DFT-berekende eigenschappen voor 159.000 experimenteel gekarakteriseerde overgangsmetaalcomplexen in diverse lading- en spin-toestanden, die dient als een hoogwaardige basis voor machine learning en DFT-benchmarking.

De kern

Stel je voor dat chemie een enorme bibliotheek is, gevuld met boeken over hoe atomen zich gedragen. Voor gewone moleculen (zoals die in water of suiker) hebben wetenschappers al een heel goede catalogus gemaakt. Maar voor overgangsmetalen (die speciale metalen in het midden van het periodiek systeem, zoals ijzer, koper of goud) was die catalogus tot nu toe een rommelige schuur.

Deze paper introduceert BOS-TMC, een gigantische, nieuwe, en super-georganiseerde catalogus voor deze metalen. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Verkeerde" Foto's

Vroeger maakten computersimulaties van deze metalen vaak een fout: ze probeerden de moleculen te "rekenen" alsof ze in een leeg, witte ruimte zweefden. Maar in het echt zitten deze moleculen in een kristal, vastgepakt tussen andere moleculen.

• De analogie: Stel je voor dat je een foto maakt van een danser in een volle discotheek. Als je de foto bewerkt alsof de danser alleen in een lege zaal staat, ziet de dans er heel anders uit. De houding (de geometrie) verandert.
• De oplossing: BOS-TMC gebruikt de echte foto's uit de Cambridge Structural Database (CSD). Ze nemen de zware atomen precies zoals ze in het kristal zaten, en veranderen ze niet. Ze vullen alleen de waterstofatomen (die vaak onzichtbaar zijn op foto's) slim in. Dit zorgt voor een veel realistischer beeld.

2. De "Kameleon"-Factor: Spin en Lading

Overgangsmetalen zijn kabouters die van kleur kunnen veranderen. Ze kunnen verschillende ladingen hebben (positief of negatief) en verschillende spinstaten (hoe snel de elektronen ronddraaien: laag, gemiddeld of hoog).

• De analogie: Denk aan een chameleontje dat niet alleen van kleur verandert, maar ook van persoonlijkheid. Soms is het rustig (laag spin), soms is het hyperactief (hoog spin).
• Het probleem: Eerdere lijsten keken vaak alleen naar de rustige versie of naar een beperkt aantal metalen.
• De oplossing: BOS-TMC heeft 159.000 unieke moleculen onderzocht, maar omdat ze elke mogelijke "kameleon-versie" (spin) hebben berekend, hebben ze in totaal 343.800 verschillende scenario's in hun database. Ze hebben zelfs moleculen met extreme ladingen opgenomen die eerder werden genegeerd.

3. De Rekenmachine: Waarom is dit zo moeilijk?

Om te weten hoe deze moleculen zich gedragen, moeten supercomputers enorme berekeningen maken. Het is alsof je probeert te voorspellen hoe een molenwiel draait, maar dan met atomen.

• Het dilemma: Er zijn verschillende manieren om deze berekeningen te doen (zogenaamde "functies" of functionals). Sommige methoden zeggen: "Dit molecuul is stabiel", terwijl een andere methode zegt: "Nee, dit molecuul valt uit elkaar."
• De test: De auteurs hebben een selectie van 10.000 moleculen genomen en ze berekend met 12 verschillende rekenmethoden.
• De ontdekking: Ze vonden dat voor sommige moleculen (vooral die met koper of nikkel) de resultaten enorm uiteenlopen, afhankelijk van welke rekenmethode je kiest. Het is alsof 12 verschillende weersvoorspellers voor dezelfde stad heel verschillende temperaturen voorspellen. Dit laat zien dat we nog niet alles begrijpen en dat deze nieuwe database een perfecte "proefplaats" is om betere rekenmethoden te ontwikkelen.

4. Waarom is dit belangrijk voor jou?

Je vraagt je misschien af: "Wat heb ik hieraan?"

• Medicijnen: Veel medicijnen werken via metalen. Als we beter begrijpen hoe die metalen zich gedragen, kunnen we betere medicijnen ontwerpen.
• Energie: Metalen zijn cruciaal voor batterijen en het opslaan van energie.
• Kunstmatige Intelligentie (AI): AI-modellen hebben enorme hoeveelheden goede data nodig om te leren. BOS-TMC is als een "gouden standaard" dataset. Het helpt AI om beter te voorspellen welke nieuwe materialen we kunnen bouwen, zonder dat we eerst jarenlang in het lab moeten experimenteren.

Samenvatting in één zin

De auteurs hebben een gigantische, ultra-realistische database gebouwd van 159.000 metalen moleculen in hun "echte" vorm, inclusief alle mogelijke versies van hun persoonlijkheid (spin), zodat wetenschappers en computers beter kunnen leren hoe deze cruciale materialen werken.

Het is alsof ze eindelijk een perfecte, gedetailleerde atlas hebben getekend voor een wereld die tot nu toe alleen maar ruwe schetsen had.

Technische samenvatting

Probleemstelling

Het ontwikkelen van nauwkeurige machine learning (ML) modellen en het benchmarken van dichtheidsfunctionaaltheorie (DFT) methoden voor overgangsmetaalcomplexen (TMC's) wordt gehinderd door een gebrek aan grote, diverse en experimenteel gevalideerde datasets. Bestaande datasets zoals QM9 (gericht op organische moleculen) of eerdere TMC-datasets (zoals tmQM en OMol) hebben aanzienlijke beperkingen:

1. Beperkte lading en spin: Veel datasets zijn beperkt tot neutrale complexen of sluiten sterk geladen species (|q| > 1) en open-schil (high-spin/intermediate-spin) toestanden uit, hoewel deze cruciaal zijn voor de chemie van overgangsmetalen.
2. Structuurdivergentie: Veel datasets gebruiken volledig geoptimaliseerde geometrieën in de gasfase, wat kan leiden tot afwijkingen van de experimentele kristalstructuur en onrealistische bindingslengtes.
3. Functional-afhankelijkheid: Eigenschappen zoals spin-splitsing en frontier-orbitaalenergieën zijn sterk afhankelijk van de keuze van het exchange-correlation (xc) functional, maar datasets bevatten vaak slechts één functional, wat de onzekerheid in voorspellingen maskeert.
4. Data-omvang: Er is een tekort aan datasets die zowel experimentele zware-atoomcoördinaten behouden als een brede reeks van ladingen en spin-toestanden omvatten.

Methodologie

De auteurs hebben de BOS-TMC (Boston Open-Shell Transition Metal Complex) dataset samengesteld uit de Cambridge Structural Database (CSD). De workflow omvatte de volgende stappen:

1. Data Curation:

   • Extractie van mononucleaire TMC's uit de CSD (maart 2024 release).
   • Toepassing van filters voor polymerice species, onbekende elementen en inconsistenties in de formule.
   • Ladingstoewijzing: Een iteratief algoritme werd gebruikt om de totale lading van het complex te bepalen op basis van de eenheidscel en de oxidatietoestand van het metaal, waarbij de lading van liganden werd afgeleid.
   • Spin-toewijzing: Op basis van de metaaloxidatietoestand en de elektronenconfiguratie (d-electronen) werden toegankelijke spin-toestanden (low-, intermediate- en high-spin) bepaald. Voor open-schil liganden werd de multipliciteit aangepast.

2. Geometrie en Berekeningen:

   • Geometrie: In tegenstelling tot eerdere werken, werden de zware-atoomcoördinaten (experimenteel uit de CSD) vastgehouden. Alleen de waterstofatoomposities werden geoptimaliseerd met DFT (PBE0/def2-SV(P)) om chemische consistentie te waarborgen zonder kristal-packing effecten te introduceren.
   • Single-point energieberekeningen: Hoogwaardige single-point energieberekeningen werden uitgevoerd met Psi4 op het niveau PBE0/def2-TZVP.
   • Spin-toestanden: Berekeningen werden uitgevoerd voor tot drie spin-toestanden per complex (afhankelijk van het metaal en de elektronenconfiguratie), resulterend in 343.8k TMC/spin-combinaties.

3. Eigenschappen en Validatie:

   • Er werden zeven eigenschappen berekend: elektronische energie, HOMO/LUMO, HOMO-LUMO gap, atomaire partiële ladingen (Mulliken en Löwdin), dipoolmomenten, atoomisatie-energieën en verticale spin-splitsingsenergieën (VSSE).
   • Outlier detectie: Een Generalized Extreme Student Deviate (GESD) test werd gebruikt om numerieke outliers te verwijderen.
   • Functional-afhankelijkheid: Voor een subset van >10.000 complexe (de "manyDFA" set) werden eigenschappen berekend met 12 verschillende xc-functionals (variërend van semi-lokaal tot double-hybride) om de gevoeligheid van de resultaten voor de functionalkeuze te kwantificeren.

Belangrijkste Bijdragen

• Grootte en Diversiteit: De dataset bevat 159.000 experimenteel gekarakteriseerde TMC's (126k unieke moleculaire grafieken) met een totale omvang van 2,9 miljoen eigenschappen.
• Lading en Spin: Het is de grootste dataset die systematisch complexen met hoge ladingen (tot |q| = 8) en meerdere spin-toestanden (open-schil) omvat, inclusief 4d- en 5d-metalen.
• Experimentele Fidelity: Door de zware-atoomcoördinaten uit de CSD te behouden, biedt de dataset een realistischere weergave van chemische binding dan datasets met volledig geoptimaliseerde gasfase-geometrieën.
• Atoomisatie-energieën: Voor het eerst worden atoomisatie-energieën voor een dergelijk groot scala aan TMC's gerapporteerd, inclusief een methode om ladingen op ligandatomen toe te wijzen bij geladen complexen.
• Functional-gevoeligheid: De dataset bevat een uitgebreide subset die de variatie in eigenschappen over 12 verschillende functionals kwantificeert, wat een benchmark biedt voor methodologische ontwikkeling.

Resultaten

• Eigenschapsverdeling: De dataset toont een brede verdeling van HOMO-LUMO gaps (0,0 tot 10,0 eV) en dipoolmomenten. Hoog geladen complexen (|q| > 1) vertonen gemiddeld grotere HOMO-LUMO gaps dan neutrale complexen, maar kleinere dipoolmomenten.
• Spin-toestand Invloed: Ongeveer 18% van de TMC's in de dataset heeft een grondtoestand die niet de laagste spin-toestand is (intermediate- of high-spin). Het overschakelen naar de juiste grondtoestand leidt tot significante verschuivingen in eigenschappen:
  • Gemiddelde verschuiving in HOMO-LUMO gap: ~1,28 eV (voor IS-grondtoestanden).
  • Dipoolmomenten en partiële ladingen veranderen aanzienlijk bij spin-wisseling, wat aantoont dat ML-modellen spin-bewust moeten zijn.
• Functional-afhankelijkheid:
  • Spin-splitsing: Er is een enorme variabiliteit in verticale spin-splitsingsenergieën (VSSE) afhankelijk van het functional, met standaardafwijkingen tot 40 kcal/mol tussen functionals. Dit bevestigt dat de keuze van het functional kritiek is voor de voorspelling van spin-toestanden.
  • Cu(II) complexen: Koper(II)-complexen bleken het meest gevoelig te zijn voor verschillen tussen functionals, ongeacht de eigenschap.
  • Correlatie: Range-separated hybrids (zoals $\omega$B97X-D en LRC-$\omega$PBEh) tonen hoge onderlinge correlatie, terwijl semi-lokale functionals (zoals PBE) en hybrides (zoals M06-2X) vaak sterk van elkaar afwijken.

Betekenis en Impact

De BOS-TMC dataset vormt een fundamentele bron voor de chemische informatica en computationele chemie:

1. Machine Learning: Het biedt een robuuste, diverse basis voor het trainen van ML-modellen die in staat zijn om eigenschappen van overgangsmetalen te voorspellen, inclusief effecten van lading en spin, wat essentieel is voor het ontwerpen van katalysatoren en materialen.
2. DFT Benchmarking: De dataset dient als een gouden standaard om de nauwkeurigheid van nieuwe DFT-functionals te testen, vooral voor open-schil systemen en geladen species waar eerdere benchmarks tekortschoten.
3. Methodologische Ontwikkeling: Door de identificatie van "hotspots" (zoals Cu(II) complexen) met hoge functional-gevoeligheid, richt het onderzoek toekomstige methodologische verbeteringen op de meest uitdagende gebieden van de overgangsmetaalchemie.
4. Open Science: Alle data, scripts en geoptimaliseerde structuren zijn openbaar beschikbaar via Zenodo, wat reproduceerbaarheid en verdere exploratie van de chemische ruimte van overgangsmetalen mogelijk maakt.

Kortom, BOS-TMC vult een kritieke leemte in de huidige literatuur door een schaal en diversiteit te bieden die direct aansluit bij de complexiteit van experimenteel gesynthetiseerde overgangsmetaalcomplexen.