Kimyasal hesaplamalarda kullanılan yoğunluk fonksiyonel teorisi, bilim insanları için önemli bir ikilem barındırıyor: hızlı hesaplamalar için basit yaklaşımlar kullanmak mı, yoksa daha doğru ama yavaş yöntemleri tercih etmek mi? Araştırmacılar bu soruna radikal bir çözüm getirdi.
Geleneksel yerel yoğunluk yaklaşımı (LDA) hızlı çalışsa da sınırlı bilgi kullandığı için doğruluk açısından eksik kalıyor. Bu sorunu çözmek için bilim insanları, genellik ilkesini bir kenara bırakarak su molekülleri için özel olarak tasarlanmış bir yapay zeka modeli geliştirdi.
Diferansiyel Kohn-Sham çözücü kullanan bu sinir ağı sistemi, su için uzmanlaşmış bilgi birikimi kazandı. Sonuçlar oldukça etkileyici: model, altın standart olarak kabul edilen çiftlenmiş küme hesaplamalarına yakın doğrulukta iyonlaşma ve atomizasyon enerjileri hesaplıyor.
En çarpıcı yanı ise, modelin sadece sekiz farklı konfigürasyonla eğitilerek bu başarıyı elde etmesi. Bu 'aşırı öğrenme' stratejisi, spektral çizgiler, elektron yoğunluğu dağılımı ve denge geometrisi tahminlerinde kayda değer iyileştirmeler sağladı.
Araştırmacılar ayrıca transfer öğrenme tekniklerini kullanarak, modellerini daha üst düzey PBE ve B3LYP fonksiyonellerine eşdeğer performans gösterecek şekilde genişletti. Bu yaklaşım, belirli sistemler için özelleşmiş yapay zeka modellerinin potansiyelini gözler önüne seriyor.