Fonction d'échange-corrélation précise et évolutive par apprentissage profond
Accurate and scalable exchange-correlation with deep learning
April 21, 2026
Auteurs: 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
Résumé
La théorie de la fonctionnelle de la densité (DFT) constitue le fondement d'une grande partie de la chimie computationnelle et de la science des matériaux modernes. Pourtant, la fiabilité des prédictions issues de la DFT concernant des propriétés mesurables expérimentalement reste fondamentalement limitée par la nécessité d'approximer la fonctionnelle d'échange-corrélation (XC) inconnue. Le paradigme traditionnel pour améliorer la précision a reposé sur des formes fonctionnelles de plus en plus élaborées, conçues manuellement. Cette approche a conduit à un compromis de longue date entre l'efficacité computationnelle et la précision, qui reste insuffisant pour une modélisation prédictive fiable des expériences de laboratoire. Nous présentons ici Skala, une fonctionnelle XC basée sur l'apprentissage profond qui surpasse les fonctionnelles hybrides les plus avancées en termes de précision sur l'ensemble de référence de chimie des éléments principaux GMTKN55, avec une erreur de 2,8 kcal/mol, tout en conservant le coût computationnel réduit caractéristique de la DFT semi-locale. Cette rupture démontrée avec le compromis historique entre précision et efficacité est rendue possible par l'apprentissage de représentations non locales de la structure électronique directement à partir des données, évitant ainsi le besoin de caractéristiques de plus en plus coûteuses conçues manuellement. En exploitant un volume sans précédent de données de référence de haute précision issues de méthodes basées sur la fonction d'onde, nous établissons que l'apprentissage profond moderne permet de développer des modèles neuronaux d'échange-corrélation systématiquement perfectibles à mesure que les ensembles de données d'apprentissage s'élargissent, positionnant ainsi les simulations ab initio pour devenir progressivement plus prédictives.
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.