Sıvılar, termodinamik koşullara, yüzeylere ve sınırlamalara son derece duyarlı kolektif bir davranış sergiler. Bu davranışı tahmin etmek, geleneksel olarak her yeni durum için ayrı bir atomik ölçekli simülasyon gerektiriyordu; bu da hem hesaplama süresi hem de kaynak açısından büyük bir yük oluşturuyordu.
Klasik yoğunluk fonksiyonel teorisi (cDFT), bu soruna daha verimli bir yaklaşım sunar: Sistemi, yoğunluk alanı üzerinden tanımlanan bir serbest enerji fonksiyoneli aracılığıyla tanımlar ve bu sayede farklı koşullar için yeniden kullanılabilir bir matematiksel çerçeve sağlar. Ancak teorinin çekirdeğindeki 'aşırı serbest enerji fonksiyoneli', analitik olarak bilinmemektedir ve mevcut makine öğrenmesi yaklaşımları bu fonksiyoneli yalnızca düzlemsel ya da düşük boyutlu geometrilerde yaklaşık olarak öğrenebilmişti.
Yeni çalışmada araştırmacılar, bu kısıtı aşarak fonksiyonelin doğrudan tam üç boyutlu denge yoğunluk alanlarından öğrenilebileceğini kanıtladı. Kullanılan mimari, uzaysal dönme ve öteleme simetrilerini (eşvaryans) koruduğundan fiziksel tutarlılık sağlanıyor. Sistem, eğitim sırasında hiçbir serbest enerji ya da kimyasal potansiyel etiketi kullanmıyor; yalnızca denge yapılarından öğreniyor.
Öğrenilen tek bir fonksiyonelin birden fazla sıcaklık, sistem boyutu ve istatistiksel topluluk arasında aktarılabilir olması bu çalışmanın en çarpıcı sonucu. Üstelik model; yapı faktörleri, hal denklemi, sıvı-buhar bir arada var olma koşulları ve arayüzey genişlemesi gibi hiçbir zaman eğitim hedefi olarak gösterilmemiş özellikleri de başarıyla yeniden üretiyor.
Yaklaşımın karmaşık üç boyutlu geometrilere uygulanabilmesi, onu gözenekli malzemelerdeki akış, biyolojik zarlar ve nanoölçekli kapsülleme gibi alanlarda son derece değerli kılıyor. Bu çalışma, makine öğrenmesini klasik istatistiksel mekaniğin sağlam teorik altyapısıyla birleştirerek sıvı simülasyonlarında yeni bir dönem açabilir.