Kimyacıların ve malzeme bilimcilerin temel hesaplama araçlarından biri olan yoğunluk fonksiyoneli teorisi (DFT), atom ve moleküllerin elektronik yapısını kuantum mekaniği çerçevesinde modellemeye yarar. Ancak bu teorinin pratikte uygulanabilmesi için 'değiş-tokuş-korelasyon fonksiyoneli' adı verilen bir matematiksel yaklaşıma ihtiyaç duyulur ve bu yaklaşımın seçimi sonuçları köklü biçimde etkileyebilir.
Geleneksel fonksiyoneller, özellikle geçiş metali yüzeylerini içeren katalitik reaksiyonlarda ciddi hatalar yapabiliyor. Literatürde 'CO/Pt bulmacası' olarak bilinen sorun bunun simgesi hâline geldi: Birçok standart fonksiyonel, CO molekülünün Pt(111) yüzeyinde yanlış konuma bağlandığını öngörüyor.
Yeni çalışmada araştırmacılar, makine öğrenmesini fizik temelli ve yerel olmayan tanımlayıcılarla bir araya getirerek CIDER26SS adlı bir fonksiyonel çerçevesi oluşturdu. Bu yapı hem boyut-genişletilebilir (size-extensive) hem de hesaplama açısından verimli olacak şekilde tasarlandı.
CIDER26SS'in dikkat çekici başarıları arasında CO/Pt bulmacasını çözümlemesi öne çıkıyor: Model, CO'nun doğru bağlanma bölgesini, bağlanma enerjisini, platin kafes sabitini ve yüzey enerjisini eş zamanlı olarak doğru tahmin edebildi. Daha da çarpıcı olan ise bu başarının, platine ait tüm katı ve yüzey verileri eğitim setinin dışında bırakılmasına rağmen elde edilmesi.
Bu sonuç, modelin ezberlemek yerine gerçek anlamda fiziksel örüntüleri öğrendiğine işaret ediyor. Geniş transferabilite için düzenlileştirilmiş bu çerçeve, hem organik kimya hem de katı hal fiziği gibi birbirinden farklı sistemlerde dengeli performans gösteriyor.
Sonuç olarak CIDER26SS, geleneksel fonksiyonellerin yetersiz kaldığı noktalarda güvenilir tahminler sunarak heterojen kataliz başta olmak üzere enerji dönüşümü, ilaç geliştirme ve ileri malzeme tasarımı gibi alanlarda hesaplamalı kimyaya yeni bir soluk getirebilir.