PREDICCIÓN DE PIGMENTOS: UN ENFOQUE DESDE EL APRENDIZAJE PROFUNDO

QUINTANA RICARDO, LISSETE (2022) PREDICCIÓN DE PIGMENTOS: UN ENFOQUE DESDE EL APRENDIZAJE PROFUNDO. Maestría thesis, UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA.

Vista Previa

Text Tesis.pdf Download (2397Kb) | Vista Previa

Resumen

El Azul Maya es un pigmento de color intenso, elaborado y utilizado principalmente por culturas mesoamericanas. Este se forma como resultado de la fuerte unión de la molécula colorante índigo con la estructura inorgánica de la zeolita paligorskita, formando un complejo orgánico-inorgánico de elevada estabilidad. Las zeolitas son minerales cristalinos, cuya estructura está formada por unidades tetraédricas conectadas a través de esquinas alternas hasta generar un arreglo tridimensional. Sobre la base del número de tetraedros conectados en estas estructuras, se definen aberturas de poros de dimensiones moleculares, lo cual les proporciona propiedades de selectividad y gran capacidad absorbente. El análisis de estas estructuras y del pigmento Azul Maya, indican que el empleo de zeolitas como matriz base para alojar moléculas colorantes orgánicas, puede ser una vía efectiva para obtener pigmentos estables. El presente trabajo propone una metodología, que permita proponer moléculas candidatas a formar pigmentos híbridos estables; así como predecir propiedades relevantes para el efecto colorante, utilizando algoritmos de aprendizaje automático. Para ello, se forma un conjunto de 1153 compuestos colorantes a partir de diferentes repositorios, teniendo en cuenta la aplicación de criterios para el curado de bases de datos moleculares. Se realiza una selección de 171 compuestos de acuerdo a la similitud con el índigo y dehidroíndigo, basada en el uso de huellas dactilares moleculares. Se realizan determinaciones de Energías de Atomización para moléculas pequeñas, empleando el método de Kernel Ridge Regression y QM7 como conjunto de entrenamiento. Este modelo realiza predicciones de energías con un Error Absoluto Medio de 3.944 kcal/mol para el conjunto de prueba y 16.869 kcal/mol para un conjunto de moléculas de estudio, cuando se emplea la Función de Kernel Laplaciano. Además, se realiza la predicción de la energía de orbitales HOMO y LUMO, así como la brecha energética existente entre estos; usando modelos de Redes Neuronales Convolucionales.

Actions (login required)

Ver Objeto