Neues ML-Modell M=oLe liefert Coupled-Cluster-Genauigkeit mit geringem Aufwand

Die Dichtefunktionaltheorie (DFT) ist die am häufigsten genutzte Methode zur Berechnung molekularer Eigenschaften, doch ihre Genauigkeit reicht häufig nicht für quantitative Vorhersagen aus. Der Coupled-Cluster-Ansatz gilt als „Goldstandard“ der Quantenchemie, weil er Ergebnisse liefert, die eng mit experimentellen Daten übereinstimmen. Seine hohe Rechenkomplexität verhindert jedoch eine breite Anwendung.

In der aktuellen Arbeit wird die Architektur M=oLe vorgestellt – ein equivariantes Machine‑Learning-Modell, das die Kernobjekte des Coupled‑Cluster-Ansatzes, die Excitation‑Amplituden, direkt aus den Hartree‑Fock‑Molekülorbitalen vorhersagt. Durch die Nutzung von Symmetrieeigenschaften kann das Modell die komplexen mathematischen Strukturen des CC-Ansatzes effizient erfassen.

Die Autoren haben das Modell an verschiedenen Testfällen evaluiert und zeigen, dass es mit sehr wenigen Trainingsdaten auskommt. Besonders beeindruckend ist die Fähigkeit, auf Moleküle und Geometrien außerhalb des Trainingsbereichs zu generalisieren – größere Moleküle und nicht‑Equilibrium‑Strukturen werden zuverlässig beschrieben, obwohl das Modell ausschließlich mit kleinen, Gleichgewichtsgeometrien trainiert wurde.

Ein weiterer Vorteil ist die Reduktion der benötigten Iterationsschleifen für die Konvergenz von CC‑Berechnungen. Durch die präzise Vorhersage der Excitation‑Amplituden kann das Modell die Anzahl der notwendigen CC‑Zyklen deutlich verringern, was die Rechenzeit erheblich senkt.

Die Ergebnisse legen nahe, dass M=oLe die Grundlage für hochpräzise, wavefunction‑basierte ML‑Architekturen bildet, die die molekulare Gestaltung beschleunigen und klassische Kraftfeld‑Ansätze ergänzen können. Diese Entwicklung könnte die Grenzen der molekularen Simulationen erweitern und neue Wege für die Entdeckung von Materialien und Wirkstoffen eröffnen.