Correlação de troca precisa e escalável com aprendizado 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
Resumo
A Teoria do Funcional da Densidade (DFT) sustenta grande parte da química computacional e da ciência dos materiais modernas. No entanto, a confiabilidade das previsões derivadas da DFT para propriedades experimentalmente mensuráveis permanece fundamentalmente limitada pela necessidade de aproximar o funcional de troca e correlação (XC) desconhecido. O paradigma tradicional para melhorar a precisão tem dependido de formas funcionais cada vez mais elaboradas, desenvolvidas manualmente. Essa abordagem levou a um compromisso de longa data entre eficiência computacional e precisão, que permanece insuficiente para a modelagem preditiva confiável de experimentos laboratoriais. Aqui introduzimos o Skala, um funcional XC baseado em aprendizado profundo que supera os funcionais híbridos mais avançados em precisão no conjunto de referência de química dos elementos representativos GMTKN55, com um erro de 2,8 kcal/mol, mantendo ao mesmo tempo o menor custo computacional característico da DFT semilocal. Esta demonstrada ruptura com o compromisso histórico entre precisão e eficiência é possibilitada pela aprendizagem de representações não locais da estrutura eletrônica diretamente a partir dos dados, contornando a necessidade de funcionalidades cada vez mais dispendiosas, projetadas manualmente. Aproveitando um volume sem precedentes de dados de referência de alta precisão de métodos baseados na função de onda, estabelecemos que o aprendizado profundo moderno permite modelos neurais de troca e correlação sistematicamente melhoráveis à medida que os conjuntos de dados de treinamento se expandem, posicionando as simulações de primeiros princípios para se tornarem progressivamente mais preditivas.
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.