A teoria do funcional da densidade é a ferramenta básica da ciência de materiais computacional, e o seu custo é o principal freio para quantos materiais candidatos um laboratório consegue triar. Um artigo na Nature Machine Intelligence de Xiwen Li, Yang Zhong, Xingao Gong e colegas propõe contornar boa parte desse custo: prever diretamente com uma rede neural a densidade de carga eletrônica de um material e usá-la para calcular a estrutura eletrônica sem o lento ciclo autoconsistente.
O modelo, a Equivariant Density Graph Neural Network ou EdenGNN, prevê tanto a densidade de carga quanto as ocupações de aumento exigidas pelo método de ondas planas aumentadas por projetores, o que permite chegar à precisão dos cálculos padrão com ondas planas. Duas escolhas de projeto explicam a velocidade. Ele expande a densidade numa base com funções radiais totalmente treináveis e usa aprendizado delta: em vez de prever a densidade inteira, aprende a diferença entre a densidade real e uma simples superposição de densidades atômicas, que capta sobretudo como a carga se desloca entre átomos. Os autores relatam um ganho de velocidade de mais de uma ordem de grandeza sobre modelos gerais de densidade de carga anteriores.
O resultado principal é um modelo universal, o EdenGNN-Uni, treinado na base Materials Project. Ele cobre estruturas não magnéticas de toda a tabela periódica e, segundo os autores, prevê com precisão as estruturas de bandas da maioria dos materiais que não viu, incluindo estruturas de teste da base GNoME, do Google DeepMind, com mais robustez que modelos universais que preveem o hamiltoniano. Código, pesos e dados são públicos no GitHub, no Hugging Face e no Zenodo, com patches para OpenMX e ABACUS e instruções para VASP.
O trabalho fica ao lado dos potenciais interatômicos aprendidos mais conhecidos, que preveem energias e forças em vez da própria densidade eletrônica. A densidade de carga é uma grandeza mais fundamental, então um bom modelo de densidade pode alimentar muitas propriedades de uma vez.
Os limites são reais. O modelo universal se restringe a materiais não magnéticos, o que exclui grande parte dos sistemas de interesse prático. Os autores também alertam que um modelo treinado fica preso aos pseudopotenciais, ao corte de energia e a outras configurações usadas para gerar seus dados, de modo que os resultados só valem para fluxos de trabalho equivalentes. Só conseguimos ler o resumo e o material de apoio, não o artigo completo, então o tamanho dos ganhos de precisão em classes específicas de materiais ainda precisa ser conferido.