La teoría del funcional de la densidad es la herramienta principal de la ciencia de materiales computacional, y su coste es el gran freno a cuántos materiales candidatos puede cribar un laboratorio. Un artículo en Nature Machine Intelligence de Xiwen Li, Yang Zhong, Xingao Gong y colegas propone esquivar buena parte de ese coste: predecir con una red neuronal la densidad de carga electrónica de un material y usarla para calcular la estructura electrónica sin pasar por el lento bucle autoconsistente.
El modelo, la Equivariant Density Graph Neural Network o EdenGNN, predice tanto la densidad de carga como las ocupaciones de aumento que necesita el método de ondas planas aumentadas con proyectores, y eso le permite alcanzar la precisión de los cálculos estándar con ondas planas. Dos decisiones de diseño explican la velocidad. Expande la densidad en una base con funciones radiales totalmente entrenables y usa aprendizaje delta: en lugar de predecir toda la densidad, aprende la diferencia entre la densidad real y una simple superposición de densidades atómicas, que recoge sobre todo cómo se mueve la carga entre átomos. Los autores indican que es más de un orden de magnitud más rápido que los modelos generales de densidad de carga anteriores.
El resultado principal es un modelo universal, EdenGNN-Uni, entrenado con la base de datos Materials Project. Cubre estructuras no magnéticas de toda la tabla periódica, y según los autores predice con precisión las estructuras de bandas de la mayoría de materiales que no ha visto, incluidas estructuras de prueba de la base de datos GNoME de Google DeepMind, y con más robustez que los modelos universales que predicen el hamiltoniano. El código, los pesos y los datos son públicos en GitHub, Hugging Face y Zenodo, con parches para OpenMX y ABACUS e instrucciones para VASP.
El trabajo se sitúa junto a los potenciales interatómicos aprendidos más conocidos, que predicen energías y fuerzas en lugar de la propia densidad electrónica. La densidad de carga es una magnitud más fundamental, así que un buen modelo de densidad puede alimentar muchas propiedades a la vez.
Los límites son reales. El modelo universal se limita a materiales no magnéticos, lo que deja fuera una gran parte de los sistemas de interés práctico. Los autores advierten además de que un modelo entrenado queda ligado a los pseudopotenciales, al corte de energía y a otros ajustes usados para generar sus datos, así que los resultados solo se trasladan a flujos de trabajo que coincidan. Solo pudimos leer el resumen y el material complementario, no el artículo completo, de modo que falta comprobar la magnitud de las mejoras en clases concretas de materiales.