Bir malzemenin elektron davranışını anlamak, modern malzeme biliminin temel taşlarından birini oluşturuyor. Bu davranışı matematiksel olarak tanımlayan Hamiltonian operatörleri, kuantum mekaniği hesaplamalarının merkezinde yer alıyor. Ancak büyük ve karmaşık sistemler için bu hesaplamalar, geleneksel yöntemlerle yapıldığında muazzam hesaplama kaynakları gerektiriyor.

Son yıllarda makine öğrenmesi destekli Hamiltonian modelleri, bu soruna pratik bir çözüm sunmaya başladı. Bu yaklaşımda, atomların yerel dizilişlerinden yola çıkarak Hamiltonian matris elemanları tahmin ediliyor; böylece öz-tutarlı hesaplama döngüleri atlanarakzaman ve kaynak tasarrufu sağlanıyor. Yöntem, geniş sistemlerin elektronik ve optik özelliklerini incelemek ve yüksek verimli malzeme taraması yapmak için kullanılmakta.

Ne var ki bu yaklaşımın önemli bir sınırı bulunuyor: Farklı malzemelerin bir arada yer aldığı heterojen sistemlerde, elektronların hissettiği elektrostatik potansiyel enerji yalnızca yakın çevredeki atomik yapıyla değil, uzaktaki arayüzey dipolleri, yüzey etkileri veya nano cihazlara uygulanan dış voltaj gibi etkenlerle de şekilleniyor. Dolayısıyla salt yerel atomik bilgiye dayanan modeller bu sistemlerde yetersiz kalıyor.

Yeni çalışma, polarizasyon kavramını makine öğrenmesi Hamiltonian çerçevesine entegre ederek bu açığı kapatmayı amaçlıyor. Araştırmacılar, atomların içsel dipol momentleri ve polarizabilitelerinin yerel özellikler olduğunu ve bu nedenle makine öğrenmesiyle doğru biçimde tahmin edilebildiğini gösteriyor. Bu yerel tahminler, sistem genelinde çözülen elektrostatik denklemlerle ve varsa dış potansiyel enerji terimleriyle birleştiriliyor. Sonuçta, tüm sistemin elektrostatik potansiyel enerjisi öz-tutarlı bir süreçle elde ediliyor.

Bu yaklaşım, heterojen sistemlerin Hamiltonian'larını hesaplamada hem doğruluğu artırıyor hem de hesaplama maliyetini düşürüyor. Yarı iletken arayüzeyleri, katmanlı malzemeler veya nanoelektronik bileşenler gibi teknolojik açıdan kritik yapıların modellenmesinde önemli bir ilerleme anlamına geliyor. Yöntemin geniş ölçekli malzeme keşfi ve nano cihaz tasarımı uygulamalarını hızlandırması bekleniyor.