Intercambio-correlación preciso y escalable con aprendizaje profundo
Accurate and scalable exchange-correlation with deep learning
April 21, 2026
Autores: 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
Resumen
La Teoría del Funcional de la Densidad (DFT) sustenta gran parte de la química computacional y la ciencia de materiales moderna. Sin embargo, la fiabilidad de las predicciones derivadas de la DFT sobre propiedades medibles experimentalmente sigue estando fundamentalmente limitada por la necesidad de aproximar el funcional de intercambio-correlación (XC) desconocido. El paradigma tradicional para mejorar la precisión se ha basado en formas funcionales cada vez más elaboradas y diseñadas manualmente. Este enfoque ha dado lugar a un compromiso de larga data entre la eficiencia computacional y la precisión, que sigue siendo insuficiente para la modelización predictiva fiable de experimentos de laboratorio. Aquí presentamos Skala, un funcional XC basado en aprendizaje profundo que supera a los funcionales híbridos más avanzados en precisión en el conjunto de referencia de química de elementos principales GMTKN55, con un error de 2.8 kcal/mol, manteniendo a la vez el menor coste computacional característico de la DFT semilocal. Esta desviación demostrada del compromiso histórico entre precisión y eficiencia es posible gracias al aprendizaje de representaciones no locales de la estructura electrónica directamente a partir de los datos, evitando la necesidad de características cada vez más costosas diseñadas manualmente. Aprovechando un volumen sin precedentes de datos de referencia de alta precisión procedentes de métodos basados en la función de onda, establecemos que el aprendizaje profundo moderno permite modelos neuronales de intercambio-correlación sistemáticamente mejorables a medida que se amplían los conjuntos de datos de entrenamiento, posicionando a las simulaciones de primeros principios para volverse progresivamente más predictivas.
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.