Fecha de alta en el repositorio: 2023-12-16
Resumen: L'espai químic és la regió multidimensional on es troben totes les molècules conegudes i desconegudes. Descriure l'espai químic de la difosfina mitjançant l'ús de la metodologia Ligand Knowledge Base (LKB), els descriptors de propietats calculades per DFT i l'aplicació de tècniques de reducció de dimensionalitat porten a mapes de l'espai químic que són útils per a l'optimització de catalitzadors organometàl·lics. Es proven diferents tècniques de reducció de dimensionalitat (PCA, UMAP i t-SNE) i la informació que contenen aquests mapes es determina mitjançant algorismes de clustering. S'han utilitzat característiques estructurals per veure si els mapes mostren tendències. Si les difosfines estructuralment similars s'agrupen juntes, això probablement es pot traduir a un rendiment catalític similar, ja que tindran propietats similars. Es realitzen proves per comparar la capacitat del clúster, la robustesa i l'abast de la informació retinguda. Al final es realitza un cas de prova basat en l'experimentació per demostrar el potencial que tenen els mapes generats i els models de predicció en la tasca d'optimitzar els catalitzadors organometàl·lics. Tot el projecte es va desenvolupar a la Universitat de Bristol en el grup de la Dra. Natalie Fey. The chemical space is the multidimensional region where all known and unknown molecules are. Describing the diphosphine chemical space by the usage of the Ligand Knowledge Base (LKB) methodology, DFT-calculated property descriptors and the latter application of dimensionality reduction techniques lead to maps of chemical space that are useful for organometallic catalysts optimisation. Different dimensionality reduction techniques are tested (PCA, UMAP and t-SNE) and the information that such maps contain is determined by clustering algorithms. Structural characteristics have been used to see if the maps show trends. If structurally similar diphosphines are clustered together, this can likely be translated to similar catalytic performance since they will have similar properties. Test for comparing the cluster ability, robustness and extent of retained information are performed. At the end an experimental-based test case is carried out to demonstrate the potential that those generated maps and prediction models have on the task of optimising organometallic catalysts. The whole project was developed at the University of Bristol in Dr. Natalie Fey Group.
Materia: Química
Idioma: en
Áreas temáticas: Química Chemistry Química
Departamento: Química Física i Inorgànica
Estudiante: Villares Cañón, Mario
Curso académico: 2022-2023
Título en diferentes idiomas: Tècniques de reducció de la dimensionalitat per crear mapes de l'espai químic de les difosfines utilitzant el Ligand Knowledge Base Dimensionality reduction techniques for mapping diphosphine chemical space using the Ligand Knowledge Base. Tècnicas de reducción de la dimensionalidad para crear mapas del espacio químico de las difosfinas utilizando el Ligand Knowledge Base
Fecha de la defensa del treball: 2023-06-27
Derechos de acceso: info:eu-repo/semantics/openAccess
Palabras clave: optimització organometal·lica, catalisis, machine-learning, difosfines organometalic optimisation, catalysis, machine-learning, diphosphines optimización organometalica, catalisis, machine-learning, difosfinas
Confidencialidad: No
Título en la lengua original: Dimensionality reduction techniques for mapping diphosphine chemical space using the Ligand Knowledge Base.
Director del proyecto: Fernández Gutiérrez, Maria Elena
Enseñanza(s): Química en anglès
Entidad: Universitat Rovira i Virgili (URV)
Repositori URV