Новый метод повышает точность квантово-химических симуляций с помощью машинного обучения

3D-карта квантового потенциала, определяющего положения и движения электронов в гидриде лития. Авторы: Бикаш Канунго и Пол Циммерман, Мичиганский университет

Исследователи из Мичиганского университета разработали новый подход, который значительно повышает точность моделирования молекул с использованием теории функционала плотности (DFT) — популярного метода в фундаментальной химии и материаловедении.

Квантовые многочастичные расчеты, считающиеся «золотым стандартом» точности, требуют колоссальных вычислительных ресурсов и позволяют работать лишь с небольшим количеством электронов. DFT, напротив, масштабируется значительно лучше, но сталкивается с проблемой аппроксимации обменно-корреляционного функционала (XC), описывающего взаимодействие электронов.

Команда под руководством Викрама Гавини использовала машинное обучение, чтобы «обратить» проблему DFT. Вместо того чтобы подбирать приближенный XC-функционал, исследователи на основе точных квантовых многочастичных расчетов для небольших атомов и молекул (лития, углерода, азота, кислорода, неона, диводорода и гидрида лития) с помощью машинного обучения вывели функционал, который дает поведение электронов, максимально близкое к эталонному.

«Многочастичные теории дают нам правильный ответ по правильной причине, но за неразумную вычислительную цену. Наша команда перевела многочастичные результаты в более простую и быструю форму, сохранив при этом большую часть точности», — пояснил Пол Циммерман, профессор химии.

Удивительно, но полученный функционал, основанный на данных о легких атомах и молекулах, обеспечил точность, характерную для более сложных («третьей ступени») методов DFT, при этом оставаясь на уровне «второй ступени» по сложности вычислений.

Универсальный и точный XC-функционал может найти применение в самых разных областях — от поиска новых материалов для аккумуляторов и разработки лекарств до создания квантовых компьютеров. В будущем команда планирует проверить работу функционала на твердых материалах и повысить точность метода, что потребует еще больших вычислительных мощностей.