Na disciplina QMC967 – Seminários II, serão apresentados os seminários das 15:30 às 19:30 na segunda-feira, dia 18 de janeiro de 2021:
Discente: Priscila Santos Vieira de Lima
Título: Reações descarboxilativas de ácidos alquinóicos
Resumo
Uma ampla gama de metodologias para reações de acoplamento descarboxilativo têm sido desenvolvidas nos últimos anos. Essas reações são empregadas para a formação de ligações Csp2-Csp, entre alcinos e haletos de arila e podem apresentar redução no custo do processo de tratamento de resíduos, quando comparadas aos métodos de acoplamento tradicionais, tornando-as de significativo interesse quando se refere a rotas sintéticas mais limpas e eficientes. Como fonte de alquino destaca-se a utilização de derivados de ácidos alquinóicos, que são amplamente versáteis, uma vez que, possibilitam a obtenção de diversos produtos por acoplamento direto (diarilalquinos), produtos cíclicos (indolinas) por meio de reações sequenciais, reações de homoacoplamento (diinos), reações multicomponentes (indóis) e adição descarboxilativa (vinil sulfonas). Os ácidos alquinóicos têm se mostrado nos últimos anos como um bloco construtor viável para a preparação dos mais diferentes esqueletos carbônicos, sendo que têm a vantagem de serem percursores facilmente preparados, e que servem como materiais de partida adequados para a obtenção de produtos com maior complexidade estrutural, com padrões de substituição únicos e de grande relevância sintética.
Discente: Yasmin Vieira
Título: Aprendizagem automática: uso de redes neurais artificiais na predição de energias de solvatação, envolvendo a combinação de dados experimentais e computacionais
Resumo
Nos últimos anos, como uma alternativa para solucionar as dificuldades envolvidas na necessidade de experimentos químicos longos e caros, o uso de sistemas de predição como a aprendizagem automática (ML, do inglês machine learning), um ramo da inteligência artificial, tem se mostrado uma ferramenta incrivelmente útil. Em ML, o tipo de raciocínio utilizado é o indutivo, isto é, aquele capaz de extrair regras e padrões de grandes conjuntos de dados alimentados a um sistema. Este seminário baseia-se na obra de Yang e colaboradores (2020), que mostrou ser possível utilizar redes neurais artificiais (ANN, do inglês artificial neural networks) para predição de energias de solvatação de soluções eletrolíticas. Será abordada a relação entre ML e Química, mais precisamente de forma a apresentar a estimação de parâmetros termodinâmicos, mostrando como ambas as áreas se relacionam. Além da obra base, será apresentada uma aplicação mostrando a combinação de um modelo ANN com um método de relação estrutura-atividade quantitativa, objetivando superar os problemas de estimações de valores em soluções não-aquosas.
Os seminários estão abertos ao público, por videoconferência no Google Meet. Interessados podem entrar em contato com o Prof. Sailer (sailer.santos@ufsm.br) com antecedência, e fazer acesso via e-mail institucional (com final @acad.ufsm.br).
