Kimyasal sistemlerin bilgisayar ortamında doğru biçimde modellenmesi, ilaç tasarımından malzeme bilimine kadar pek çok alanda kritik öneme sahip. Bu modellemelerin merkezinde kuvvet alanları yer alıyor: Atomlar ve moleküller arasındaki etkileşim enerjilerini hesaplayan matematiksel ifadeler.
Son yıllarda makine öğrenmesi destekli kuvvet alanları (MLFF), klasik yöntemlere kıyasla çok daha yüksek doğruluk sunmasıyla öne çıktı. Ancak bu yaklaşımların bir zayıf noktası var: Eğitim için yüksek kaliteli kuantum kimyası verisi gerektiriyorlar. Bu verileri üretmek ise son derece hesaplama yoğun bir süreç.
Bir grup araştırmacı bu darboğazı aşmak amacıyla DensIP adını verdikleri yeni bir model geliştirdi. DensIP, makine öğrenmesiyle elde edilen moleküler elektron yoğunluğu bilgisini, fizik yasalarına dayalı bir etkileşim çerçevesiyle harmanlıyor. Modelin belki de en çarpıcı özelliği, tüm bu karmaşık etkileşimleri yalnızca dört evrensel parametreyle ifade edebilmesi.
Araştırmacılar modeli, küçük organik moleküllerin ikili komplekslerinden oluşan DES15K veri seti üzerinde test etti. Bu veri seti, CCSD(T)/CBS düzeyinde hesaplanmış etkileşim enerjileri içeriyor; kuantum kimyasında altın standart olarak kabul edilen bir yöntem.
DensIP'in sonuçları oldukça umut verici. Model, eğitim setinde yer almayan molekülleri içeren sistemlerde ve denge konformasyonunun dışındaki geometrilerde bile kcal/mol'ün altında hata payına ulaşabiliyor. Bu düzey, birçok pratik uygulama için yeterince hassas kabul ediliyor.
Yöntemin önemli bir yeniliği de transferabilite, yani öğrendiklerini farklı sistemlere aktarabilme kapasitesi. Pek çok ampirik model eğitildikleri sistemlerde iyi sonuç verirken, bilinmeyen moleküllerde başarısız oluyor. DensIP ise elektron yoğunluğunu temel aldığı için bu sınırı bir ölçüde aşıyor.
Araştırmacılar, DensIP'in ileride genel amaçlı makine öğrenmesi kuvvet alanlarının eğitiminde sentetik ama güvenilir referans verisi kaynağı olarak kullanılabileceğini öngörüyor. Bu sayede pahalı ab initio hesaplamalara olan bağımlılık azalabilir ve daha geniş kimyasal uzayı kapsayan modeller geliştirmek kolaylaşabilir.