Malzeme bilimi ve hesaplamalı kimyada atomların birbirleriyle nasıl etkileştiğini anlamak, yeni ilaçlardan pil teknolojilerine kadar pek çok uygulamanın temelini oluşturuyor. Makine öğrenmesi destekli atomik kuvvet alanları (ML potansiyelleri), bu etkileşimleri klasik fizik formüllerine kıyasla çok daha yüksek doğrulukla öğrenebiliyor.

Ancak bu modellerin önemli bir kör noktası var: uzun menzilli etkileşimler. Bir atomun, birkaç nanometre ötesindeki bir başka atomu nasıl etkilediğini modellemek, yerel bağ enerjilerini öğrenmekten çok daha karmaşık bir problem. Çoğu mevcut yaklaşım bu sorunu, öğrenilen gizli kaynak alanlarını Coulomb gibi önceden tanımlanmış bir matematiksel çekirdek aracılığıyla birleştirerek çözmeye çalışıyor.

Yeni çalışmada araştırmacılar, bu sabit çekirdek yaklaşımının ne zaman yeterli, ne zaman yetersiz olduğunu belirlemek için Fourier sinir operatörlerini (FNO) devreye sokuyor. FNO'lar, frekans uzayında işlem yaparak tüm simülasyon hücresi genelinde kaynak alanlarının nasıl etkileştiğini öğrenebiliyor. Bu sayede model, konfigürasyona bağlı, yani ortamın anlık düzenine göre değişen çekirdekler üretebiliyor.

Test platformu olarak tarama şiddeti ayarlanabilir sentetik bir iyonik sistem kullanılıyor. Güçlü tarama koşullarında standart Coulomb çekirdeği, uzun dalga boylu yük dalgalanmalarını yüzde 43 oranında küçümsüyor. FNO ise aynı değerleri yüzde 3 sapmayla yakalıyor ve yerel MACE omurgasının açıklayamadığı varyansın yüzde 95-99'unu kurtarıyor.

İlginç bir ayrıntı da doğrusal FNO'nun homojen tarama koşullarında konfigürasyondan bağımsız çekirdeklerle aynı başarıyı göstermesi. Bu, basit ortamlarda gelişmiş modellere gerek olmadığına işaret ediyor. Asıl fark, ortamın homojen olmadığı durumlarda ortaya çıkıyor: Uzak bölgedeki atomların yeniden düzenlenmesi, sabit çekirdeklerin yakalayamayacağı dinamik etkileşim örüntüleri yaratıyor.

Çalışma, ML potansiyel geliştiricilerine pratik bir karar çerçevesi sunuyor: Sisteminizin tarama koşulları homojen ve zayıfsa, standart yaklaşımlar yeterli olabilir. Ancak güçlü veya heterojen tarama söz konusuysa, konfigürasyona duyarlı çekirdek öğrenimi kaçınılmaz hale geliyor. Bu bulgu, özellikle elektrolitler, biyomoleküler sistemler ve yüzey kimyası gibi alanlarda daha doğru simülasyonların önünü açabilir.