Präzise und skalierbare Austausch-Korrelation mit Deep Learning
Accurate and scalable exchange-correlation with deep learning
April 21, 2026
Autoren: Giulia Luise, Chin-Wei Huang, Thijs Vogels, Derk P. Kooi, Sebastian Ehlert, Stephanie Lanius, Klaas J. H. Giesbertz, Amir Karton, Deniz Gunceler, Stefano Battaglia, Gregor N. C. Simm, P. Bernát Szabó, Megan Stanley, Wessel P. Bruinsma, Lin Huang, Xinran Wei, José Garrido Torres, Abylay Katbashev, Rodrigo Chavez Zavaleta, Bálint Máté, Sékou-Oumar Kaba, Roberto Sordillo, Yingrong Chen, David B. Williams-Young, Christopher M. Bishop, Jan Hermann, Rianne van den Berg, Paola Gori-Giorgi
cs.AI
Zusammenfassung
Die Dichtefunktionaltheorie (DFT) bildet die Grundlage eines Großteils der modernen computergestützten Chemie und Materialwissenschaft. Die Zuverlässigkeit von auf DFT basierenden Vorhersagen experimentell messbarer Eigenschaften ist jedoch grundsätzlich durch die Notwendigkeit begrenzt, das unbekannte Austausch-Korrelations-(XC)-Funktional zu approximieren. Das traditionelle Paradigma zur Verbesserung der Genauigkeit stützte sich auf zunehmend aufwändige, handgefertigte Funktionalformen. Dieser Ansatz hat zu einem langjährigen Zielkonflikt zwischen Recheneffizienz und Genauigkeit geführt, der für eine zuverlässige Vorhersagemodellierung von Laborexperimenten nach wie vor unzureichend ist. Hier stellen wir Skala vor, ein auf Deep Learning basierendes XC-Funktional, das die Genauigkeit modernster Hybridefunktionale im Hauptgruppenchemie-Benchmark GMTKN55 mit einem Fehler von 2,8 kcal/mol übertrifft und dabei die für semi-lokale DFT charakteristischen geringeren Rechenkosten beibehält. Dieser demonstrierte Bruch mit dem historischen Zielkonflikt zwischen Genauigkeit und Effizienz wird ermöglicht, indem nicht-lokale Repräsentationen der elektronischen Struktur direkt aus Daten gelernt werden, was die Notwendigkeit zunehmend kostspieliger, handgefertigter Merkmale umgeht. Durch die Nutzung eines beispiellosen Umfangs hochgenauer Referenzdaten aus wellenfunktionsbasierten Methoden zeigen wir, dass modernes Deep Learning systematisch verbesserbare neuronale Austausch-Korrelations-Modelle ermöglicht, sobald die Trainingsdatensätze wachsen. Dies stellt erste-Prinzipien-Simulationen so auf, dass sie zunehmend prädiktiver werden.
English
Density Functional Theory (DFT) underpins much of modern computational chemistry and materials science. Yet, the reliability of DFT-derived predictions of experimentally measurable properties remains fundamentally limited by the need to approximate the unknown exchange-correlation (XC) functional. The traditional paradigm for improving accuracy has relied on increasingly elaborate hand-crafted functional forms. This approach has led to a longstanding trade-off between computational efficiency and accuracy, which remains insufficient for reliable predictive modelling of laboratory experiments. Here we introduce Skala, a deep learning-based XC functional that surpasses state-of-the-art hybrid functionals in accuracy across the main-group chemistry benchmark set GMTKN55 with an error of 2.8 kcal/mol, while retaining the lower computational cost characteristic of semi-local DFT. This demonstrated departure from the historical trade-off between accuracy and efficiency is enabled by learning non-local representations of electronic structure directly from data, bypassing the need for increasingly costly hand-engineered features. Leveraging an unprecedented volume of high-accuracy reference data from wavefunction-based methods, we establish that modern deep learning enables systematically improvable neural exchange-correlation models as training datasets expand, positioning first-principles simulations to become progressively more predictive.