KI und die schwierigen Probleme der Welt · Chemie & Materialien · Nature Machine Intelligence · 2026-10-23
Effizientes äquivariantes Framework zur universellen Vorhersage der Ladungsdichte
Originaltitel: Efficient equivariant framework for universal charge density prediction
Die Dichtefunktionaltheorie ist rechenintensiv, was die Berechnungen der elektronischen Struktur in der Materialentdeckung einschränkt. Die Autoren stellen EdenGNN vor, ein Machine-Learning-Modell, das die Ladungsdichte und Augmentation-Besetzungen vorhersagt, sowie EdenGNN-Uni, eine universelle Version, die auf der Materials-Project-Datenbank für nichtmagnetische Strukturen im gesamten Periodensystem trainiert wurde. Das Modell ist um mehr als eine Größenordnung schneller und sagt Bandstrukturen für die meisten unbekannten Materialien genau voraus, wobei es eine größere Robustheit zeigt als universelle ML-Hamiltonian-Methoden.