Investigadores han desarrollado un método basado en aprendizaje profundo para predecir autoenergías en materiales, utilizando datos mínimos generados por la teoría de campo medio dinámico (DMFT) ab initio. Este avance aborda uno de los cuellos de botella computacionales en la simulación de materiales con correlaciones electrónicas fuertes, que son cruciales para entender fenómenos como la superconductividad de alta temperatura o las transiciones de fase metal-aislante. La autoenergía es una magnitud central en la teoría de muchos cuerpos que describe las interacciones electrónicas y sus efectos en las propiedades del material.

El enfoque tradicional para calcular autoenergías con DMFT es computacionalmente intensivo, especialmente para sistemas complejos y a temperaturas bajas. El nuevo método utiliza una red neuronal para aprender la relación entre las propiedades de baja energía de un material (como la densidad de estados) y su autoenergía. Esto permite predecir autoenergías con una precisión comparable a los cálculos DMFT completos, pero con una fracción del coste computacional. La clave es la capacidad del modelo de aprendizaje profundo para generalizar a partir de un conjunto de datos de entrenamiento relativamente pequeño, lo que lo hace aplicable a una amplia gama de materiales reales.

La metodología implica entrenar la red neuronal con un conjunto de datos de autoenergías calculadas previamente para una serie de materiales modelo o simplificados. Una vez entrenada, la red puede predecir la autoenergía para nuevos materiales basándose en sus propiedades de entrada, sin necesidad de ejecutar un cálculo DMFT completo para cada punto. Esto acelera significativamente el proceso de descubrimiento y diseño de materiales, permitiendo explorar espacios de parámetros mucho más grandes y complejos que antes eran inalcanzables. Los resultados muestran que el modelo mantiene una alta fidelidad incluso con conjuntos de datos de entrenamiento limitados, lo que subraya su eficiencia.

Este desarrollo tiene implicaciones importantes para la física de la materia condensada, ya que facilita la investigación de materiales cuánticos complejos. La capacidad de predecir autoenergías de forma eficiente abre nuevas vías para el diseño de materiales con propiedades electrónicas específicas, como superconductores, materiales termoeléctricos o catalizadores. Además, el método es escalable y podría integrarse en flujos de trabajo de diseño de materiales asistido por ordenador, acelerando la transición de la investigación fundamental a las aplicaciones tecnológicas. Se espera que futuras investigaciones exploren la aplicación de esta técnica a sistemas aún más complejos y con diferentes tipos de correlaciones.