Makine öğrenmesi teknolojilerinin kuantum kimyasında kullanımı, elektronik Hamiltonian'ların öğrenilmesi konusunda yeni ufuklar açıyor. Bu alandaki son gelişme, atomik potansiyellerin süperpozisyonu (SAP) yaklaşımına dayanan bir öğrenme çerçevesi sunuyor.
SAP yaklaşımı, elektron-elektron perdeleme etkilerini yakalayan etkili bir başlangıç tahmini sağlıyor. Bu yöntem, simetri-uyarlamalı içsel atomik orbital öğrenme temelini tanımlayarak, fizik bilgisiyle desteklenmiş girdileri orbital tabanlı graf sinir ağlarına aktarıyor. Ağ, yakınsak Kohn-Sham Fock matrislerini tahmin ediyor.
Araştırma ekibi, yaklaşımı daha büyük temel setlere genişletmek için bir indirgenme şeması geliştirdi. Bu şema, minimal temel özelliklerinden büyük temel elektronik yapısını tahmin edebiliyor. QM9 veri seti üzerinde yapılan deneylerde model, sınır ve çekirdek orbital enerjilerini, dipol momentlerini ve tam durum yoğunluğunu doğru şekilde yeniden üretiyor.
Organik yük taşıma malzemeleri için de başarılı sonuçlar veren bu yöntem, kuantum kimyasalı hesaplamalarda hem hız hem de doğruluk açısından önemli iyileştirmeler sunuyor. Bu gelişme, elektronik yapı hesaplamalarının daha verimli hale getirilmesi açısından değerli bir katkı sağlıyor.