Un cartógrafo que dibuja no montañas ni ríos, sino las conexiones invisibles entre electrones: así podría describirse la nueva red neuronal. En lugar de coordenadas atómicas, toma orbitales moleculares y traza un grafo donde los nodos son los orbitales y las aristas, sus medidas de entrelazamiento cuántico. Ese mapa permite predecir la energía de la fuerte correlación electrónica, la misma que determina cómo se rompe un enlace químico y qué estado de espín adoptará un complejo metálico.

Antes, para calcular con precisión tales sistemas se requerían métodos multiconfiguracionales, cuyo costo crece exponencialmente con el número de electrones. Los potenciales de machine learning entrenados sobre coordenadas atómicas son rápidos, pero ciegos a los efectos sutiles del entrelazamiento. OrbGNN cambia el enfoque: no aprende de la geometría de la molécula, sino de su estructura electrónica. Las características de los nodos son las energías orbitales, los números de ocupación de DMRG (un método de compresión de la función de onda) y las contribuciones de orbitales atómicos. Las aristas codifican tres métricas: información mutua, norma del cumulante de dos partículas y correlación mutua.

El modelo resultó transferible. Para 18 moléculas diatómicas, el error global fue de 0.742 mEh en la base mínima, y para cinco complejos octaédricos de hierro(II), las brechas de espín se predijeron con una precisión menor de 1 kcal/mol. Eso es aproximadamente la energía que se libera al quemar una cerilla, repartida en un mol de sustancia. El orden de los estados de alto y bajo espín se reprodujo correctamente.

La conclusión clave es que un grafo orbital con métricas de entrelazamiento contiene información suficiente para reemplazar un cálculo costoso. No estaba claro si se podía predecir la energía de la correlación fuerte sin ver las coordenadas atómicas. Resulta que sí, si se observa el mapa de conexiones entre orbitales. Este enfoque es un primer paso hacia el cribado rápido de complejos de metales de transición donde los estados de espín son importantes, por ejemplo en catalizadores.

El mapa de entrelazamiento orbital no reemplaza al mapa de átomos, sino que lo complementa. En el futuro, ambos mapas podrían combinarse en un solo modelo que aprenda simultáneamente de la geometría molecular y de su estructura electrónica. Entonces, el cálculo de propiedades de materiales será más rápido y la comprensión, más profunda.