Des chercheurs russes développent un modèle d'apprentissage automatique pour prédire la stabilité des complexes de terres rares et d'actinides

Des chercheurs du laboratoire interdisciplinaire de conception chimique intelligente du département de chimie de l'Université d'État de Moscou, en collaboration avec leurs collègues du département de mécanique et de mathématiques, ont développé un nouveau modèle d'apprentissage automatique pour évaluer la stabilité des complexes d'éléments de terres rares et d'actinides trivalents. Les résultats ont été publiés dans le Journal of Chemical Physics.

L'équipe de recherche indique que l'apprentissage automatique peut réduire les coûts de temps et de matériaux dans la recherche chimique, ce qui est particulièrement important pour les lanthanides et les actinides, qui sont rares, coûteux ou dangereux. Les lanthanides, avec le scandium et l'yttrium, sont généralement classés parmi les éléments de terres rares, largement utilisés dans les aimants permanents, les batteries, les composants électroniques et les lasers. Étant donné que les éléments de terres rares sont présents dans la nature principalement à l'état de traces dans les matières premières minérales et présentent des propriétés chimiques similaires, leur séparation et leur purification sont des processus complexes et coûteux.

Les actinides sont radioactifs et jouent un rôle important dans l'industrie nucléaire. L'amélioration de l'efficacité de séparation des actinides dans le combustible nucléaire usé est considérée comme un facteur contribuant à la promotion du cycle du combustible nucléaire fermé et à la réduction de la production de déchets radioactifs. Actuellement, l'utilisation de ligands organiques spécialement conçus pour fixer sélectivement les éléments cibles constitue l'une des orientations de recherche importantes pour la séparation des éléments de terres rares et des actinides.

Les chercheurs expliquent qu'en raison de la similitude des propriétés chimiques des éléments du bloc f, ainsi que des limitations expérimentales imposées par la radioactivité des actinides, le criblage traditionnel des ligands par voie expérimentale présente des difficultés considérables. Cette fois, l'équipe a utilisé la base de données NIST46 ainsi que des données issues de la littérature associée pour établir une nouvelle base de données de complexants pour les éléments du bloc f, et a entraîné un réseau neuronal convolutif de graphes pour prédire les constantes de stabilité des complexes.

Contrairement aux modèles précédents qui reposaient principalement sur la structure des ligands, le nouveau modèle peut intégrer des informations de complexation de plusieurs métaux dans une même architecture de réseau neuronal, élargissant ainsi la gamme d'éléments couverts par le calcul rapide des constantes de stabilité par apprentissage automatique. L'équipe de recherche indique qu'une caractéristique de ce modèle est qu'il peut être utilisé pour des prédictions pertinentes même si un élément métallique n'est pas inclus dans l'ensemble d'entraînement. Le code source du projet a été rendu public.

Les chercheurs indiquent que le nouveau modèle présente de bonnes performances dans la prédiction des propriétés des actinides et peut soutenir la recherche de ligands plus efficaces et plus sélectifs. À ce stade, la recherche se concentre sur les complexes à stoechiométrie 1:1 ; l'équipe prévoit d'explorer ultérieurement d'autres types de complexes et de collaborer avec des chercheurs du domaine de la synthèse afin de promouvoir l'application de ces modèles dans des domaines tels que le retraitement du combustible nucléaire usé.