El papel central de la teoría funcional de la densidad en la era de la IA

Área de la Ciencia:

• Química computacional y ciencia de los materiales, centrada en el modelado predictivo.

Sus antecedentes:

• La teoría funcional de densidad (DFT) es una piedra angular en la ciencia química y de los materiales debido a su poder predictivo, eficiencia y versatilidad.
• Los modelos de aprendizaje automático (ML) han aprovechado cada vez más el DFT para generar datos sintéticos y diseñar arquitecturas de modelos.

Objetivo del estudio:

• Revisar los avances recientes en los modelos ML que utilizan DFT.
• Contextualizar el impacto más amplio de estos desarrollos de ML basados en DFT en las ciencias químicas y de los materiales.

Principales métodos:

• Revisión de la literatura reciente sobre el desarrollo de modelos de aprendizaje automático en conjunto con DFT.
• Análisis de las métricas de rendimiento (eficiencia, precisión, escalabilidad, transferibilidad) de los modelos de aprendizaje automático basados en DFT.

Principales resultados:

• Los modelos de ML basados en DFT han logrado mejoras significativas en eficiencia, precisión, escalabilidad y transferibilidad.
• Estos avances están permitiendo la integración de software predictivo en flujos de trabajo experimentales automatizados.

Conclusiones:

• La sinergia entre DFT y ML está transformando la investigación química y de materiales.
• Los modelos ML mejorados con DFT están allanando el camino para el uso de rutina en laboratorios de conducción autónoma para la planificación experimental.