Kimyasal bağların kırılması, kuantum kimyasının onlarca yıldır tam anlamıyla çözemediği temel bir problem olmaya devam ediyor. Bir moleküldeki atomlar birbirinden ayrılırken elektronik yapı, tek bir referans konfigürasyonuyla tanımlanamayacak kadar karmaşık bir hal alıyor. Bu 'çok-referanslı karakter', standart yöntemlerin hata yapmasına yol açarken güvenilir çok-referanslı yöntemler de astronomik hesaplama maliyetleri gerektiriyor.
Max Planck Enstitüsü ve iş birliği yapılan kurumlardan araştırmacılar, bu soruna alışılmışın dışında bir perspektiften yaklaşıyor. 'Orbformer' adını verdikleri model, derin sinir ağlarını Kuantum Monte Carlo yöntemiyle harmanlayarak elektronik dalga fonksiyonlarını öğreniyor. Modelin asıl yeniliği ise transfer edilebilirlik: 22.000 denge ve ayrışma yapısı üzerinde önceden eğitilen model, bu moleküllerin elektronik yapısındaki ortak örüntüleri öğreniyor.
Bu sayede daha önce hiç karşılaşılmamış bir molekül söz konusu olduğunda, modelin sıfırdan eğitilmesi gerekmiyor; yalnızca hafif bir 'ince ayar' yeterli oluyor. Bu yaklaşım, büyük dil modellerinin doğal dil işlemede benimsediği 'önceden eğit, sonra ince ayarla' paradigmasının kuantum kimyasına taşınması anlamına geliyor.
Orbformer, hem klasik kıyaslama veri setlerinde hem de Diels-Alder reaksiyonları gibi mekanistik açıdan zorlu örneklerde test edilmiş. Sonuçlar, modelin klasik çok-referanslı yöntemlerle kıyaslanabilir bir doğruluğa, ancak çok daha düşük hesaplama maliyetiyle ulaşabildiğini gösteriyor.
Bu çalışma, yapay zekanın salt veri analizi aracı olmanın ötesine geçerek temel bilimsel problemlerin çözümünde birinci sınıf bir araç haline gelebileceğini somut biçimde ortaya koyuyor. İlaç tasarımından malzeme bilimine kadar pek çok alanda kimyasal reaksiyonların modellenmesini hızlandırma potansiyeli taşıyan Orbformer, kuantum kimyasında yeni bir dönemin habercisi olabilir.