核磁共振(NMR)光谱帮助化学家和其他科学家识别和探索原子结构。然而，核磁共振受制于比较和识别结构的参考数据目录的可用性。
艺术化学系的新合作研究圣路易斯华盛顿大学科学系、劳伦斯伯克利国家实验室和加州大学伯克利分校材料科学与工程系利用量子化学方法开发了硅同位素29Si的额外数据基础设施。硅在材料科学中的重要作用尤其重要——它被用在电子的半导体中，在玻璃材料中无处不在——而且它是岩石和矿物的主要成分。
这项研究发表在5月12日的《Nature’s npj计算材料》上。
海耶斯化学教授和核磁共振波谱专家Sophia E. Hayes比大多数人更了解核磁共振在分析材料结构方面的威力。Hayes对结合各种技术来开辟新的研究道路并不陌生，她在实验室中使用核磁共振，结合光激发和探测方法来研究无机系统的结构和性质，包括半导体。
在这项新工作中，Hayes和共同主要作者Shyam Dwaraknath，劳伦斯伯克利国家实验室的材料研究科学家和工程师，利用前沿计算方法生成新的29Si数据集，并确认其有效性。虽然目前硅的实验数据目录是有限的，但最近计算能力的增加允许模拟核磁共振数据的快速扩展，超出了从现有数据的简单推断。
该团队报告了两个先进的计算工具的成功:维也纳从头计算模拟软件包(VASP)和剑桥系列总能量软件包(CASTEP)。使用这些工具，他们计算生成硅的核磁共振测量(数学上表示为“张量”)的预测，然后将创建的数据集与实验观察到的数据进行比较，并系统地校正机器生成的数据。
计算和实验报告的数值在核磁共振参数方面非常一致，在未来的核磁共振分析中有望取得突破性进展。由Hayes和Dwaraknath生成的清洁数据集，以及他们的软件工具集合，可以通过Materials项目作为共享的本地光谱学数据基础设施(LSDI)数据库中的社区资源。
该团队指出:“拥有如此大的数据集，可以在大量结构中比较计算出的参数，为机器学习开辟了道路。”“当NMR从业者使用LSDI数据集时，他们将被授权将他们的实验测量结果与各种相关结构进行比较，这将最终促进这些光谱的分配。”这种类型的数据集可以开启固态核磁共振光谱的下一个时代，包括实验设计的信息学方法。”
新闻旨在传播有益信息，英文原版地址：https://source.wustl.edu/2020/06/cutting-edge-computing-paves-way-to-future-of-nmr-spectroscopy/