Neuer Graph-Transformer revolutioniert Vorhersage von Wellenfunktionen in TDDFT

In der Echtzeit‑TDDFT (zeitabhängige Dichtefunktionaltheorie) werden die elektronischen Wellenfunktionen eines Moleküls kontinuierlich in Reaktion auf äußere Anregungen berechnet. Diese Berechnungen erfordern jedoch die zeitaufwändige Propagation aller besetzten Zustände mit sehr feinen Zeitschritten, was die praktische Anwendbarkeit stark einschränkt.

Um dieses Problem zu lösen, stellen die Autoren den OrbEvo‑Ansatz vor – einen equivarianten Graph‑Transformer, der die vollständigen Wellenfunktionskoeffizienten über die Zeit hinweg lernt zu evolvieren. Durch eine spezielle Konditionierung wird die Richtung und Stärke des externen elektrischen Feldes in das Modell eingebettet, wodurch die SO(3)-Symmetrie auf SO(2) reduziert wird.

OrbEvo existiert in zwei Varianten: OrbEvo‑WF nutzt eine Pooling‑Strategie für die Wellenfunktion, während OrbEvo‑DM die Dichtematrix aller besetzten Zustände als Interaktionsmethode einsetzt. Letzteres kodiert die Dichtematrix mittels Tensorkontraktion in Feature‑Vektoren, was eine intuitivere Lernumgebung für die Zeitentwicklungs‑Gleichung schafft. Zusätzlich wird eine maßgeschneiderte Trainingsstrategie verwendet, die die Fehlerakkumulation bei autoregressiven Rollouts begrenzt.

Die Autoren evaluieren ihren Ansatz an umfangreichen TDDFT‑Datensätzen und zeigen, dass OrbEvo die Genauigkeit der Wellenfunktionsvorhersage deutlich verbessert, während die Rechenzeit erheblich reduziert wird. Diese Entwicklung eröffnet neue Möglichkeiten für die schnelle und präzise Simulation von optischen Absorption, Elektronendynamik und hochgradigen Reaktionen in der Material- und Molekülphysik.