La predicción molecular con precisión cuántica es un campo que ha avanzado gracias a la teoría del funcional de la densidad (DFT). Esta teoría permite simular sistemas con cientos de átomos sin seguir cada electrón individualmente, reduciendo drásticamente los requisitos de cálculo. Un equipo liderado por el profesor Vikram Gavini de la Universidad de Michigan ha trabajado en perfeccionar el funcional de intercambio-correlación (XC), una pieza central dentro de la DFT. Han utilizado aprendizaje automático para identificar el funcional XC que mejor reproduce los resultados de los cálculos cuánticos más precisos. Este enfoque ha permitido desarrollar un funcional XC más preciso, que puede aplicarse en contextos tan diversos como la electrónica, la energía o la medicina. El impacto de este avance va más allá de lo académico, ya que puede acelerar el descubrimiento de nuevos materiales para baterías, facilitar el diseño de moléculas para tratamientos farmacológicos, o mejorar el desarrollo de componentes para ordenadores cuánticos. El equipo ha trabajado con átomos individuales y pequeñas moléculas, y el objetivo es llegar a simular sólidos y materiales reales con la misma precisión. La combinación entre mecánica cuántica y aprendizaje automático está dando frutos concretos en un campo donde cada detalle electrónico cuenta.