🔬 materials science

MANDALA: An E(3)-Equivariant Graph Neural Network Framework for Learning Electronic-Structure Operators with Observable Guidance

Mandala es un marco de red neuronal de grafos modular y E(3)-equivariante que cierra la brecha entre el aprendizaje automático y los cálculos de la estructura electrónica mediante el aprendizaje de operadores cuánticos de dispersión de bloques para predecir directamente observables electrónicos como las estructuras de bandas y las densidades de estados, complementando así los potenciales interatómicos de aprendizaje automático tradicionales.

Autores originales: Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne, Attila Cangi

Publicado 2026-07-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne, Attila Cangi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender cómo funciona una máquina masiva y compleja, como una ciudad futurista o una célula biológica gigante. Para hacer esto, los científicos utilizan una herramienta poderosa llamada "Teoría del Funcional de la Densidad" (DFT). Piensa en la DFT como una cámara de alta resolución que toma fotos de cómo se mueven y se organizan los electrones (las diminutas partículas con carga negativa que mantienen unidos a los átomos). Esta cámara es tan buena que ayuda a los químicos y científicos de materiales a diseñar nuevas medicinas, baterías más fuertes y mejores paneles solares. Sin embargo, hay un inconveniente: tomar estas fotos es increíblemente lento y costoso. Es como intentar filmar una película en resolución 8K en un teléfono inteligente que solo tiene batería suficiente para diez segundos de grabación. Debido a esto, los científicos solo pueden simular sistemas muy pequeños o momentos muy cortos en el tiempo.

Para acelerar las cosas, muchos investigadores han comenzado a usar el "Aprendizaje Automático" (Machine Learning) para adivinar las respuestas. Usualmente, estos modelos de IA actúan como un pronosticador del clima: observan los átomos y predicen el "clima" (cuánta energía tiene el sistema y con qué fuerza se empujan los átomos entre sí). Esto es rápido y útil, pero es como conocer la temperatura sin saber por qué hace calor o frío. Te pierdes la física subyacente, como los patrones del viento o la humedad. Si quieres entender la "estructura de bandas" (que te dice si un material es un metal o un aislante) o cómo fluye la electricidad a través de él, necesitas la imagen completa, no solo el reporte del clima. Aquí es donde entra el nuevo artículo, ofreciendo una forma de enseñar a la IA a ver la película completa, no solo el reporte del clima.

Conoce a Mandala: La IA que aprende los "planos" de la materia

En este artículo, un equipo de científicos presenta Mandala, un nuevo marco de software que actúa como un maestro arquitecto para el mundo cuántico. Mientras que la mayoría de los modelos de IA en la ciencia de materiales se conforman con adivinar el puntaje final de un juego (la energía), Mandala está diseñado para aprender las reglas y la estrategia reales (los operadores matemáticos) que gobiernan cómo se comportan los electrones.

Piensa en los electrones en un material como una gran y caótica fiesta de baile. Los modelos de IA tradicionales solo cuentan cuántas personas están bailando y cuánta energía está usando la música. Mandala, sin embargo, aprende los pasos específicos del baile, la forma en que las parejas se conectan y el ritmo de la sala. Lo hace prediciendo tres "planos" o matrices específicas: el Hamiltoniano (que describe la energía y las reglas del baile), el Solapamiento (que describe cómo se traslapa el espacio personal de los bailarines) y la Densidad (que muestra dónde están amontonados los bailarines).

El ingrediente secreto: Simetría y Dispersión

¿Por qué es especial Mandala? Utiliza dos trucos ingeniosos para hacer posible lo imposible.

Primero, utiliza la E(3)-equivariancia. Imagina que estás mirando un copo de nieve. Si rotas el copo de nieve, se ve exactamente igual, solo que girado. Una IA normal podría confundirse si rotas el copo de nieve en la imagen, pensando que es un objeto nuevo y diferente. Mandala, sin embargo, es "consciente de la simetría". Entiende que las leyes de la física no cambian solo porque gires la cabeza. Aprende los pasos de baile de una manera que funciona sin importar cómo rotes o翻 voltees los átomos. Esto lo hace increíblemente eficiente y preciso, como un bailarín que conoce la coreografía tan bien que puede realizarla en cualquier dirección.

Segundo, utiliza la dispersión (sparsity). En una ciudad gigante, no hablas con todos a la vez; solo interactúas con tus vecinos. Del mismo modo, los electrones interactúan principalmente con los átomos que tienen justo al lado. Mandala se da cuenta de que la mayoría de los "planos" están vacíos (cero) porque los átomos distantes no se afectan entre sí. En lugar de intentar memorizar una hoja de cálculo masiva y vacía, se concentra solo en las conexiones activas. Esto es como un detective que solo entrevista a los testigos que estuvieron realmente en la escena, ignorando al resto de la ciudad, haciendo que la investigación sea mucho más rápida.

¿Qué descubrieron?

Los autores probaron Mandala en tres tipos de materiales muy diferentes para ver si podía manejar el caos del mundo real:

ZnCu2Sn(SeS)2: Un material complejo compuesto por cinco elementos diferentes, como una sopa con cinco ingredientes distintos que deben mezclarse perfectamente.
Óxido de Silicio Amorfo: Vítreo, desordenado y caótico, como una pila de arena que no ha sido clasificada.
Silicio Cristalino: Una cuadrícula ordenada y pulcra, como una pared de ladrillos perfectamente apilada.

En todos estos casos, Mandala aprendió con éxito a predecir los "planos" (las matrices) con alta precisión. Pero la verdadera magia ocurrió cuando utilizaron esas predicciones para calcular cosas para las cuales no fueron entrenados explícitamente. Debido a que Mandala aprendió las reglas subyacentes, pudo generar automáticamente:

Estructuras de Bandas: El "mapa de ruta" de los niveles de energía que nos dice si un material conduce electricidad.
Densidad de Estados: Un histograma que muestra cuántos "asientos" de electrones hay disponibles en diferentes niveles de energía.
Energías de Banda y Conteos de Electrones: La energía total y el número de electrones, derivados directamente de los planos predichos.

El artículo muestra que Mandala puede hacer esto sin necesidad de una IA separada para cada tarea. Es un "centro de atención único" que aprende la física y luego deriva las respuestas.

Los límites y el futuro

Los autores advierten cuidadosamente que Mandala no es una varita mágica que lo resuelve todo instantáneamente. Funciona mejor cuando los átomos están lo suficientemente cerca como para interactuar dentro de un cierto "radio de corte" (cutoff radius), y actualmente se enfoca en tipos específicos de materiales donde los electrones están localizados (atrapados cerca de los átomos) en lugar de flotar libremente por todas partes.

También señalan que, aunque Mandala puede predecir la "energía de banda" (una parte específica de la energía total), aún no calcula la energía total completa del sistema. Esto significa que actualmente no puede predecir las fuerzas que mueven los átomos en una simulación (como en un motor de física de un videojuego) con una precisión perfecta. Ese es un objetivo para el futuro.

Sin embargo, los resultados son prometedores. Al aprender los "operadores" (las reglas matemáticas) en lugar de solo los "observables" (los números finales), Mandala cierra la brecha entre el aprendizaje automático rápido y la física cuántica profunda. Sugiere que podemos tener lo mejor de ambos mundos: la velocidad de la IA con los detalles detallados y ricos en física de la mecánica cuántica tradicional.

En resumen, Mandala es un nuevo tipo de caja de herramientas que enseña a las computadoras a entender el lenguaje de los electrones, no solo el vocabulario. Permite a los científicos simular materiales más grandes y complejos, y ver los detalles electrónicos ocultos que antes eran demasiado costosos de calcular, abriendo la puerta al diseño de mejores materiales para nuestro futuro.

Resumen Técnico: Mandala – Un marco de redes neuronales de grafos E(3)-equivariantes para el aprendizaje de operadores de estructura electrónica

1. Planteamiento del problema

Los cálculos de la estructura electrónica basados en la teoría del funcional de la densidad (DFT) de Kohn-Sham son indispensables en la ciencia de materiales computacional, pero están limitados por altos costos computacionales, lo que restringe los tamaños de sistema y tiempos de simulación accesibles. Si bien los potenciales interatómicos aprendidos mediante aprendizaje automático (MLIPs) han acelerado con éxito las simulaciones para energías y fuerzas, estos operan típicamente a nivel escalar o vectorial. En consecuencia, los MLIPs convencionales no logran proporcionar la información a nivel de operador requerida para reconstruir observables de la mecánica cuántica, tales como estructuras de bandas, densidades de estados (DOS), distribuciones espaciales de carga y otras propiedades electrónicas. Existe una brecha metodológica para un marco escalable que aprenda los propios operadores de la estructura electrónica (Hamiltoniano, solapamiento y matrices de densidad) manteniendo la capacidad de derivar estos complejos observables directamente de los operadores aprendidos.

2. Metodología

Mandala es un marco de software modular diseñado para aprender matrices de estructura electrónica de dispersión de bloques (block-sparse) utilizando redes neuronales de grafos (GNNs) E(3)-equivariantes. La metodología se basa en los siguientes pilares:

Representación de Operadores: En lugar de tratar la estructura electrónica como arreglos globales densos, Mandala representa las matrices del Hamiltoniano ( $H$ ), el solapamiento ( $S$ ) y la densidad ( $D$ ) como tensores de bloques dispersos resueltos por pares de átomos. Esto aprovecha la localidad de la estructura electrónica en bases de orbitales localizados.
E(3)-Equivariancia: El marco utiliza GNNs E(3)-equivariantes para respetar las leyes de transformación geométrica del espacio 3D (traslaciones, rotaciones y reflexiones). Las características ocultas se descomponen en representaciones irreducibles (irreps) del grupo de rotación $O(3)$ , etiquetadas por momento angular $\ell$ y paridad $p$ . Esto asegura que los operadores aprendidos se transformen correctamente bajo operaciones de simetría sin depender de invariantes diseñados manualmente.
Flujo de Trabajo Unificado: El marco integra varios componentes en un solo flujo de trabajo:
- Ingesta de Datos: Los analizadores (parsers) para múltiples backends (OpenMX, FHI-aims, PySCF) convierten diversos resultados en un formato Snapshot unificado.
- Conversión de Base: Un BlockIrrepMapper convierte los ordenamientos de orbitales y las convenciones de signo específicos de cada backend en una representación interna común compatible con la librería e3nn.
- Construcción de Grafos: Las condiciones de contorno periódicas se gestionan mediante la construcción de aristas con vectores de desplazamiento de red explícitos, asegurando la alineación exacta entre las aristas del grafo y los bloques de la matriz dispersa.
- Arquitectura del Modelo: La red emplea paso de mensajes equivariante, productos tensoriales y cabezales de lectura (readout heads) configurables para predecir vectores de irreps, que luego se reconstruyen en bloques de operadores dispersos.
Guía por Observables: Una característica clave es la capacidad de utilizar el entrenamiento "guiado por observables". Debido a que los operadores predichos son diferenciables, cantidades como la energía de banda ( $E_b = \text{Tr}(DH)$ ) y el conteo de electrones ( $N_e = \text{Tr}(DS)$ ) pueden calcularse directamente de las matrices predichas. Estas pueden incluirse como términos de pérdida junto con los errores de reconstrucción de matrices. Para sistemas periódicos, también se admite la guía espectral, comparando los espectros de autovalores generalizados derivados de los operadores predichos contra espectros de referencia en una malla de puntos k.
Postprocesamiento: El marco incluye pasos de postprocesamiento con conciencia física, como la simetrización de matrices, la alineación de calibre (corrección de solapamiento-desplazamiento) para los Hamiltonianos y la normalización de la densidad para asegurar la consistencia del conteo de electrones.

3. Contribuciones Clave

Diseño del Marco: Mandala proporciona un stack de software reutilizable y modular que unifica la predicción de operadores dispersos, la guía por observables, el manejo de datos de múltiples backends y la exploración de arquitecturas amplias. Permite a los investigadores intercambiar formatos de datos, objetivos físicos y variantes de modelos sin reescribir el código central.
Aprendizaje a Nivel de Operador: A diferencia de los MLIPs estándar que predicen energías escalares, Mandala predice los operadores cuánticos subyacentes. Esto permite la reconstrucción directa de estructuras de bandas, DOS y distribuciones de carga a partir del modelo aprendido.
Implementación E(3)-Equivariante: El marco implementa un enfoque riguro de E(3)-equivariancia para matrices de bloques dispersos, mapeando los bloques de pares de átomos a representaciones irreducibles para asegurar la consistencia geométrica.
Objetivos de Entrenamiento Flexibles: El sistema soporta aprendizaje de matrices puro, aprendizaje mixto de matrices y observables, y entrenamiento totalmente guiado por observables. Permite la predicción simultánea de las matrices del Hamiltoniano, de solapamiento y de densidad con representaciones latentes compartidas.
Escalabilidad y Extensibilidad: El marco está diseñado para soportar composiciones químicas heterogéneas y diversas variantes de arquitectura de red dentro de un mismo flujo de trabajo. Incluye herramientas para la búsqueda sistemática de arquitecturas mediante parámetros de configuración.

4. Resultados

El artículo demuestra las capacidades de Mandala en tres conjuntos de datos distintos:

ZnCu2Sn(SeS)2: Un calcogenuro multicomponente con cinco elementos y entornos químicamente distintos. El modelo resolvió con éxito la química local heterogénea y el acoplamiento entre entornos.
SiO2 Amorfo: Una configuración de vidrio amorfo de 150 átomos, demostrando la capacidad del marco para manejar entornos desordenados, de tipo no periódico, dentro de un marco periódico.
Silicio Perturbado: Silicio cristalino con perturbaciones, utilizado para validar el rendimiento en un sistema periódico estándar.

Métricas de Rendimiento:

Los modelos lograron errores absolutos medios (MAE) bajos para las matrices del Hamiltoniano, de solapamiento y de densidad en los conjuntos de validación.
Las energías de banda y los conteos de electrones se predijeron con precisión directamente de los operadores.
La Densidad de Estados (DOS) y las estructuras de bandas se reconstruyeron con éxito y coincidieron con los cálculos de referencia de DFT.
Escalabilidad de Inferencia: Las pruebas de rendimiento en superceldas de silicio periódicas (hasta 496 átomos) en una sola GPU NVIDIA B200 mostraron que la inferencia escala linealmente con el tamaño del sistema hasta el límite probado. Los principales cuellos de botella identificados fueron la preparación del grafo y la memoria de evaluación del modelo, no el paso hacia adelante (forward pass) de la red neuronal en sí.

5. Significado y Reivindicaciones

El artículo posiciona a Mandala como una herramienta complementaria a los flujos de trabajo de potenciales interatómicos de átomos. Su principal significancia radica en cerrar la brecha entre el aprendizaje automático eficiente y la necesidad de un análisis detallado de la estructura electrónica.

Complementariedad: Mandala está destinado a complementar los flujos de trabajo de MLIP existentes al resolver la estructura electrónica y los observables derivados de operadores dentro de una implementación escalable única, en lugar de reemplazarlos.
Avance Metodológico: Al aprender los operadores directamente, el marco retiene una representación vinculada a los principios de la mecánica cuántica, permitiendo el análisis de fenómenos como la transferencia de carga, la hibridación de orbitales y los estados localizados en defectos, que son inaccesibles para los MLIPs de solo escala.
Reproducibilidad y Extensibilidad: El marco enfatiza la reproducibilidad a través de un ordenamiento de aristas determinista, configuraciones serializadas y un diseño modular, lo que lo convierte en una plataforma robusta para la futura experimentación metodológica en el aprendizaje automático científico.

Los autores señalan las limitaciones actuales, incluyendo la restricción a matrices de valores reales y no polarizadas por espín, la dependencia de bases de orbitales localizados y el hecho de que el observable de energía de banda aún no incluye todas las contribuciones a la energía total de Kohn-Sham (lo que limita el uso directo de derivadas para fuerzas y tensiones de energía total). Sin embargo, el marco está diseñado para acomodar estas extensiones en desarrollos futuros.