Investigadores han desarrollado un nuevo método basado en redes generativas antagónicas condicionales (cGANs) para acelerar significativamente los cálculos de la Teoría del Funcional de la Densidad (DFT). La DFT es una herramienta computacional fundamental en física de la materia condensada y química cuántica, utilizada para predecir propiedades de materiales a partir de su estructura electrónica. Sin embargo, su alto coste computacional, especialmente para sistemas grandes o complejos, limita su aplicación en el diseño de nuevos materiales y la simulación de procesos químicos.

El nuevo enfoque utiliza una cGAN para aprender la relación entre la densidad electrónica de un sistema y su energía de correlación de intercambio, un componente clave en los cálculos DFT. Una vez entrenada, la red neuronal puede predecir esta energía de manera mucho más rápida que los métodos tradicionales, que requieren la resolución iterativa de las ecuaciones de Kohn-Sham. Este avance permite explorar un espacio de diseño de materiales mucho más amplio y realizar simulaciones a escalas de tiempo y tamaño antes inalcanzables.

Los resultados muestran que el método basado en cGANs puede reducir el tiempo de cálculo en órdenes de magnitud sin comprometer significativamente la precisión. Se espera que esta técnica tenga un impacto considerable en campos como la ciencia de materiales, la catálisis y la farmacología, al facilitar el descubrimiento y la optimización de nuevos compuestos con propiedades específicas. La replicación y validación de este método en diversos sistemas químicos y físicos será crucial para su adopción generalizada en la comunidad científica.