Карта запутанности вместо карты атомов: нейросеть читает электронную связь ✛

Оригинал: "OrbGNN: A Wave function-based Machine Learning Interelectronic Representation"
arXiv:2608.27806v1 · 2026-08-28 · CC BY-SA 4.0 · 2 мин
Графовая нейросеть предсказывает энергию корреляции электронов, используя орбитали как узлы и меры запутанности как связи.

Картограф, рисующий не горы и реки, а невидимые связи между электронами, — так можно описать новую нейросеть. Вместо атомных координат она берёт молекулярные орбитали и чертит граф, где узлы — это орбитали, а рёбра — меры их квантовой запутанности. Такая карта позволяет предсказать энергию сильной электронной корреляции — той самой, что определяет, как разрывается химическая связь и какое спиновое состояние примет комплекс металла.

Раньше для точного расчёта таких систем требовались многоконфигурационные методы, которые экспоненциально дорожают с ростом числа электронов. Машинные потенциалы, обученные на атомных координатах, быстры, но слепы к тонким эффектам запутанности. OrbGNN меняет ракурс: она учится не на геометрии молекулы, а на её электронной структуре. Признаки узлов — энергии орбиталей, числа заполнения из DMRG (метод сжатия волновой функции), вклады атомных орбиталей. Рёбра кодируют три метрики: взаимную информацию, норму двухчастичного кумулянта и взаимную корреляцию.

На кривой диссоциации азота (500 геометрий от 0.7 до 2.8 Å) все три метрики дали ошибку ниже 0.38 мЭх — это меньше 1 кДж/моль, порога химической точности. Лучший результат у кумулянта: 0.2038 мЭх.

Модель оказалась переносимой. Для 18 двухатомных молекул общая ошибка составила 0.742 мЭх в минимальном базисе, а для пяти октаэдрических комплексов железа(II) спиновые щели предсказаны с точностью менее 1 ккал/моль. Это примерно энергия, выделяемая при сгорании одной спички, распределённая на моль вещества. Порядок высокоспиновых и низкоспиновых состояний воспроизведён верно.

Ключевой вывод: орбитальный граф с метриками запутанности несёт достаточно информации, чтобы заменить дорогой расчёт. Было неясно, можно ли предсказывать энергию сильной корреляции, не видя атомных координат. Оказалось — можно, если смотреть на карту связей между орбиталями. Такой подход — первый шаг к быстрому скринингу комплексов переходных металлов, где важны спиновые состояния, например в катализаторах.

Карта запутанности орбиталей не заменяет карту атомов, а дополняет её. В будущем обе карты могут объединиться в одной модели, которая учится одновременно и на геометрии молекулы, и на её электронной структуре. Тогда расчёт свойств материалов станет быстрее, а понимание — глубже.

Ошибка предсказания спиновых щелей для комплексов железа составила менее 1 ккал/моль — это примерно энергия, выделяемая при сгорании одной спички, распределённая на моль вещества.

Понятия
графовая нейронная сеть межатомный потенциал, обученный машинным обучением электронная структура орбиталь материалы на основе машинного обучения предсказание молекулярных свойств графы нейронные сети в пространственном картировании оптический чип оптически детектируемый магнитный резонанс кубит на ионной ловушке оптоэлектроника энергия электрона филогенетическая сеть эмпирическая ортогональная функция иттриевый железный гранат электронные корреляции спин-орбитальная связь электронная ловушка языковая модель белков