Kiral moleküller kimyanın en ilgi çekici problemlerinden birini oluşturur: Aynı atomlardan oluşan iki molekül, birbirinin ayna görüntüsü olduğunda çoğunlukla birbirinden tamamen farklı biyolojik etkilere sahip olabilir. Bu nedenle bir molekülün hangi kiral formda bulunduğunu belirlemek, ilaç endüstrisinden malzeme bilimine kadar pek çok alanda kritik önem taşır.
Elektronik dairesel dikroizm (ECD) spektrumu, bu mutlak konfigürasyonu deneysel olarak belirlemenin en güvenilir yollarından biridir. Yöntem, moleküllerin sağ ve sol dairesel polarize ışığı farklı biçimde absorbe etmesi ilkesine dayanır. Ne var ki ölçülen bir ECD spektrumunu yorumlayabilmek için TDDFT hesaplamalarına başvurmak şarttır; bu hesaplamalar molekül başına saatler sürebilmekte ve her farklı aday yapı için yeniden gerçekleştirilmek zorunda kalınmaktadır.
Bir araştırma ekibi, PhysECD adını verdikleri yeni bir çerçeve ile bu bottleneck'i aşmayı hedefledi. Sistemin en ayırt edici özelliği, spektrumu doğrudan bir sayı dizisi olarak tahmin etmek yerine onu fiziksel olarak üreten büyüklükleri modellemesidir: her elektronik geçiş için uyarılma enerjisi, elektrik geçiş dipol momenti ve manyetik geçiş dipol momenti. Bu iki dipolün nokta çarpımı, döndürücü güç (rotatory strength) adı verilen ve ECD sinyalinin gerçek kaynağı olan sözde-skaler bir büyüklüğü verir.
Bu büyüklüğün önemli bir özelliği vardır: Molekülün ayna görüntüsü alındığında işareti tersine döner. Dolayısıyla modelin bu fiziksel gerçeği doğru yansıtabilmesi için ayna dönüşümlerine karşı uygun biçimde davranması, yani E(3) eşvaryanslılığına sahip olması gerekir. PhysECD tam da bu amaca yönelik tasarlanmış bir mimari sunar.
Model, molekülün yalnızca tek bir konformasyon yapısından hareket ederek çalışabilmektedir. Bu durum, pratikte hesaplama maliyetini dramatik biçimde düşürme potansiyeline sahiptir. Pahalı kuantum kimyası hesaplarını atlayarak doğrudan 3 boyutlu atom koordinatlarından ECD spektrumu üretebilen böyle bir aracın, özellikle büyük ölçekli moleküler tarama çalışmalarında ve ilaç geliştirme süreçlerinde değerli olabileceği değerlendirilmektedir.
PhysECD, makine öğrenmesini kör bir veri uydurma aracı olarak kullanmak yerine fizik yasalarını modelin içine yerleştiren bir yaklaşımı temsil etmektedir. Bu tür fizik-kısıtlı yapay zeka modelleri, hesaplamalı kimya ve malzeme biliminde giderek daha fazla ilgi görmektedir.