La théorie de la fonctionnelle de la densité est l'outil de base de la science des matériaux numérique, et son coût limite surtout le nombre de matériaux candidats qu'un laboratoire peut passer au crible. Un article de Nature Machine Intelligence signé Xiwen Li, Yang Zhong, Xingao Gong et leurs collègues propose de contourner une bonne part de ce coût : prédire directement par réseau de neurones la densité de charge électronique d'un matériau, puis s'en servir pour calculer la structure électronique sans la lente boucle autocohérente.
Le modèle, l'Equivariant Density Graph Neural Network ou EdenGNN, prédit à la fois la densité de charge et les occupations d'augmentation requises par la méthode des ondes planes augmentées par projecteurs, ce qui lui permet d'atteindre la précision des calculs standard en ondes planes. Deux choix de conception expliquent la vitesse. Il développe la densité sur une base de fonctions radiales entièrement entraînables, et il recourt à l'apprentissage delta : au lieu de prédire toute la densité, il apprend l'écart entre la densité réelle et une simple superposition de densités atomiques, qui traduit surtout les transferts de charge entre atomes. Les auteurs annoncent une accélération de plus d'un ordre de grandeur par rapport aux modèles généralistes de densité de charge antérieurs.
Le résultat phare est un modèle universel, EdenGNN-Uni, entraîné sur la base Materials Project. Il couvre les structures non magnétiques de tout le tableau périodique et, selon les auteurs, prédit avec précision les structures de bandes de la plupart des matériaux inconnus de lui, y compris des structures de test tirées de la base GNoME de Google DeepMind, de façon plus robuste que les modèles universels qui prédisent l'hamiltonien. Code, poids et données sont publics sur GitHub, Hugging Face et Zenodo, avec des correctifs pour OpenMX et ABACUS et des instructions pour VASP.
Ce travail se place à côté des potentiels interatomiques appris plus connus, qui prédisent énergies et forces plutôt que la densité électronique elle-même. La densité de charge est une grandeur plus fondamentale, et un bon modèle de densité peut alimenter de nombreuses propriétés à la fois.
Les limites sont réelles. Le modèle universel se cantonne aux matériaux non magnétiques, ce qui exclut une grande partie des systèmes d'intérêt pratique. Les auteurs préviennent aussi qu'un modèle entraîné reste lié aux pseudopotentiels, à l'énergie de coupure et aux autres réglages utilisés pour ses données ; les résultats ne valent donc que pour des chaînes de calcul identiques. Nous n'avons pu lire que le résumé et les documents annexes, pas l'article complet : l'ampleur des gains de précision sur des familles de matériaux précises reste à vérifier.