Die Dichtefunktionaltheorie ist das Arbeitspferd der rechnergestützten Materialwissenschaft, und ihre Kosten bremsen vor allem, wie viele Kandidaten ein Labor durchmustern kann. Ein Aufsatz in Nature Machine Intelligence von Xiwen Li, Yang Zhong, Xingao Gong und Kollegen schlägt vor, einen Großteil dieser Kosten zu umgehen: Die Elektronenladungsdichte eines Materials wird direkt mit einem neuronalen Netz vorhergesagt und dann genutzt, um die elektronische Struktur ohne die langsame selbstkonsistente Schleife zu berechnen.
Das Modell, das Equivariant Density Graph Neural Network oder EdenGNN, sagt sowohl die Ladungsdichte als auch die Augmentationsbesetzungen voraus, die die Projector-Augmented-Wave-Methode braucht. Damit erreicht es die Genauigkeit üblicher Ebene-Wellen-Rechnungen. Zwei Entwurfsentscheidungen sorgen für das Tempo. Es entwickelt die Dichte in einer Basis mit vollständig trainierbaren Radialfunktionen, und es nutzt Delta-Lernen: Statt die ganze Dichte vorherzusagen, lernt es den Unterschied zwischen der echten Dichte und einer einfachen Überlagerung atomarer Dichten, der vor allem abbildet, wie sich Ladung zwischen Atomen verschiebt. Die Autoren berichten von einer Beschleunigung um mehr als eine Größenordnung gegenüber früheren allgemeinen Ladungsdichtemodellen.
Das wichtigste Ergebnis ist ein universelles Modell, EdenGNN-Uni, trainiert auf der Datenbank Materials Project. Es deckt nichtmagnetische Strukturen im gesamten Periodensystem ab und sagt laut den Autoren für die meisten unbekannten Materialien die Bandstrukturen genau voraus, darunter Teststrukturen aus der GNoME-Datenbank von Google DeepMind, und robuster als universelle Modelle, die stattdessen den Hamilton-Operator vorhersagen. Code, Gewichte und Daten sind auf GitHub, Hugging Face und Zenodo öffentlich, mit Patches für OpenMX und ABACUS und einer Anleitung für VASP.
Die Arbeit steht neben den bekannteren maschinell gelernten interatomaren Potenzialen, die Energien und Kräfte vorhersagen statt der Elektronendichte selbst. Die Ladungsdichte ist eine grundlegendere Größe, ein gutes Dichtemodell kann also viele nachgelagerte Eigenschaften zugleich liefern.
Die Grenzen sind real. Das universelle Modell ist auf nichtmagnetische Materialien beschränkt, was einen großen Teil praktisch interessanter Systeme ausschließt. Die Autoren warnen außerdem, dass ein trainiertes Modell an die Pseudopotenziale, die Energiegrenze und andere Einstellungen seiner Trainingsdaten gebunden ist; Ergebnisse lassen sich also nur auf passende Arbeitsabläufe übertragen. Wir konnten nur die Zusammenfassung und das Begleitmaterial lesen, nicht den vollständigen Aufsatz, daher ist die Größe der Genauigkeitsgewinne für einzelne Materialklassen noch zu prüfen.