Hesaplamalı kimya ve moleküler modelleme, son yıllarda makine öğrenmesi tabanlı atomik potansiyeller sayesinde büyük bir dönüşüm geçirdi. Bu modeller, kuantum kimyası hesaplamalarından elde edilen verilerle eğitilerek moleküllerin enerji yüzeylerini ve dinamik davranışlarını yüksek doğrulukla tahmin edebilir hale geldi. Peki ya elektronların birbiriyle nasıl etkileştiği?
Geleneksel makine öğrenmesi atomik potansiyellerinin (MLIP) temel sınırlılığı, elektronik yapı bilgisini göz ardı etmeleriydi. Bu durum, özellikle statik elektron korelasyonunun önemli rol oynadığı sistemlerde — örneğin geçiş metal bileşikleri veya kırılan kimyasal bağlar gibi durumlarda — tahmin hatalarına yol açıyordu.
OrbGNN bu soruna yeni bir perspektiften yaklaşıyor. Araştırmacılar, molekülleri atom merkezli değil, orbital etkileşimleri merkezli bir graf yapısıyla temsil eden bir mimari geliştirdi. Bu grafte düğümler çift orbital etkileşimlerini, kenarlar ise bu orbitaller arasındaki dolanıklık ilişkilerini kodluyor. Orbital dolanıklığı, kuantum bilgi teorisinden ödünç alınan bir kavram olup elektronların farklı orbitaller arasında ne ölçüde ilişkili davrandığını nicelleştiriyor.
Mimarinin öne çıkan yönlerinden biri, orbital korelasyon bilgisini graf topolojisine doğrudan entegre etmesi. Bu sayede model, yalnızca atomların uzaydaki konumlarına değil, elektronik yapının kendisine de duyarlı hale geliyor. Yaklaşım, dalga fonksiyonu tabanlı kuantum kimyası yöntemlerinden ilham alıyor ve bu yöntemlerin fiziksel içeriğini makine öğrenmesi çerçevesine taşımayı amaçlıyor.
OrbGNN, özellikle çok referanslı karaktere sahip moleküllerin modellenmesinde mevcut araçların açtığı boşluğu kapatma potansiyeli taşıyor. Gelecekte bu tür mimarilerin ilaç tasarımından malzeme bilimine, kataliz araştırmalarından kuantum hesaplamaya uzanan geniş bir yelpazede kullanım alanı bulması bekleniyor. Henüz ön baskı aşamasında olan çalışma, alanın dikkatini çekmeye aday görünüyor.