정확하고 확장 가능한 딥러닝 기반 교환-상관 함수

Accurate and scalable exchange-correlation with deep learning

April 21, 2026

저자: 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

초록

밀도 범함수 이론(DFT)은 현대 계산 화학 및 재료 과학의 핵심 기반이다. 그러나 실험적으로 측정 가능한 특성에 대한 DFT 기반 예측의 신뢰도는 알려지지 않은 교환-상관(XC) 범함수를 근사화해야 한다는 근본적인 한계를 지닌다. 정확도를 향상시키기 위한 기존 패러다임은 점점 더 정교하게 손수 설계된 범함수 형태에 의존해왔다. 이러한 접근 방식은 계산 효율성과 정확도 사이의 오랜 트레이드오프를 초래했으며, 이는 실험실 실험을 신뢰성 있게 예측 모델링하기에는 여전히 불충분하다. 본 연구에서는 주류 화학 벤치마크 세트 GMTKN55에서 2.8 kcal/mol의 오차로 최첨단 하이브리드 범함수들을 정확도에서 능가하는 동시에 준-국소 DFT 특유의 낮은 계산 비용을 유지하는 딥러닝 기반 XC 범함수 'Skala'를 소개한다. 이러한 정확도와 효율성 간 역사적 트레이드오프의 탈피는 데이터로부터 전자 구조의 비-국소적 표현을 직접 학습함으로써 점점 비용이 증가하는 수공학적 특징 설계의 필요성을 우회하여 가능해졌다. 파동함수 기반 방법으로부터 전례 없는 양의 고정확도 참조 데이터를 활용함으로써, 우리는 현대 딥러닝이 훈련 데이터셋의 확장에 따라 체계적으로 개선 가능한 신경망 교환-상관 모델을 가능하게 하며 제일원리 시뮬레이션이 점점 더 예측적으로 발전할 수 있는 기반을 마련함을 입증한다.

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.