La teoria del funzionale della densità (DFT) descrive la materia a livello quantistico, ma le approssimazioni popolari soffrono di errori sistematici che sono sorti dalla violazione delle proprietà matematiche del funzionale esatto. DeepMind ha superato questo limite fondamentale addestrando una rete neurale su dati molecolari e su sistemi fittizi con carica e spin frazionari. Il risultato è stato lo strumento DM21 (DeepMind 21) . Descrive correttamente esempi tipici di delocalizzazione di carica artificiale e forte correlazione e si comporta meglio dei funzionali tradizionali su benchmark approfonditi per atomi e molecole del gruppo principale. La società afferma che DM21 modella accuratamente sistemi complessi come catene di idrogeno, coppie di basi del DNA cariche e stati di transizione diradicali.
Lo strumento DM21 è una rete neurale per raggiungere lo stato dell’arte della precisione su grandi parti della chimica e per accelerare il progresso scientifico; il codice è stato open-source.
La DFT è una tecnologia cruciale ed è essenziale per la progettazione di funzionali che consentano di correggere la chimica semplice prima di spiegare interazioni molecolari più complesse. Per risolvere alcune delle principali sfide del 21° secolo, come la produzione di elettricità pulita o lo sviluppo di superconduttori ad alta temperatura, è essenziale progettare nuovi materiali con proprietà specifiche. Fare questo su un computer richiede la simulazione di elettroni, particelle subatomiche che governano il modo in cui gli atomi si legano per formare molecole e sono anche responsabili del flusso di elettricità nei solidi. Nonostante anni di sforzi e numerosi progressi significativi, è ancora una sfida modellare accuratamente il comportamento quantomeccanico degli elettroni.
L’errore di delocalizzazione: in un calcolo DFT, il funzionale determina la densità di carica di una molecola trovando la configurazione degli elettroni che minimizza l’energia. Pertanto, errori nel funzionale possono portare a errori nella densità elettronica calcolata. La maggior parte delle approssimazioni funzionali di densità esistenti preferisce densità di elettroni che sono distribuite irrealisticamente su diversi atomi o molecole piuttosto che essere localizzate correttamente attorno a una singola molecola o atomo.
Rottura della simmetria di spin: quando si descrive la rottura dei legami chimici, i funzionali esistenti tendono a preferire irrealisticamente configurazioni in cui viene rotta una simmetria fondamentale nota come simmetria di spin. Poiché le simmetrie giocano un ruolo vitale nella nostra comprensione della fisica e della chimica, questa rottura artificiale della simmetria rivela una grave carenza nei funzionali esistenti.
Fonte: DeepMind
Queste sfide di vecchia data sono entrambe legate a come si comportano i funzionali quando vengono presentati con un sistema che mostra “carattere elettronico frazionario”. DeepMind ha scoperto che i problemi di delocalizzazione e rottura della simmetria di spin possono essere risolti utilizzando una rete neurale per rappresentare il funzionale e adattando il loro set di dati di addestramento per catturare il comportamento frazionario degli elettroni previsto per l’esatto funzionale.
La loro funzione si è rivelata estremamente accurata su benchmark su larga scala, suggerendo che l’approccio basato sui dati è in grado di catturare aspetti dell’esatto funzionale.
