Qué pasó
- El 23 de octubre de 2026, Nature Machine Intelligence publicó EdenGNN, una red neuronal de grafos equivariante de siete autores de la Universidad Fudan, en Shanghái.
- El modelo predice la densidad de carga y las ocupaciones de aumentación de un material, lo que permite cálculos de estructura electrónica con la precisión del método de ondas aumentadas por proyectores (PAW).
- Usa funciones de base radiales entrenables y una estrategia de aprendizaje delta para capturar la transferencia de carga. Según el resumen, así es más de un orden de magnitud más rápido.
- Su versión universal, EdenGNN-Uni, entrenada con la base Materials Project para estructuras no magnéticas de toda la tabla periódica, predijo con precisión las bandas de la mayoría de los materiales no vistos.
Por qué importa
- La teoría del funcional de la densidad (DFT) es el cálculo base para estudiar baterías, catalizadores y semiconductores, y su costo limita cuántos candidatos se pueden revisar. Un atajo confiable amplía la búsqueda.
- La densidad de carga es una cantidad física de la que se derivan otras propiedades. Predecirla deja al investigador un resultado que puede seguir calculando, no solo un número final.
- El resumen marca un límite: el modelo universal cubre estructuras no magnéticas, así que los materiales magnéticos quedan fuera por ahora.
El dato
Más de 10 veces. Ganancia de velocidad que reportan los autores, un orden de magnitud.
Contexto
Los autores comparan EdenGNN con los métodos universales que predicen el hamiltoniano con aprendizaje automático y reportan mayor robustez. Señalan que los modelos generalizables de densidad de carga anteriores tenían costos de cómputo que los volvían poco prácticos.
Qué viene
- Los autores lo proponen como método escalable para cálculos de estructura electrónica a gran escala y cribado masivo de materiales.
- Sin plazos anunciados.
Cierre
Un método de aprendizaje automático duplicó la habilidad de la IA de ECMWF a semanas vista, y Claude calculó física de partículas a 9 lazos con menos de US$ 2.000: el cálculo científico barato avanza por varios frentes a la vez.
Fuentes
- Nature Machine Intelligence — Efficient equivariant framework for universal charge density prediction (DOI 10.1038/s42256-026-01326-5; 23 de octubre de 2026)
- Imagen de portada: Vadim A. Volochaev, ResearcherID: N-3239-2014 (Chemistry Department, Southern Federal University, Rostov-on-Don, Russia), CC BY-SA 4.0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
