🔬 materials science

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

Mandala é um framework de rede neural de grafos modular e E(3)-equivariante que preenche a lacuna entre o aprendizado de máquina e os cálculos de estrutura eletrônica ao aprender operadores quânticos de esparsidade em blocos para prever diretamente observáveis eletrônicos, como estruturas de bandas e densidades de estados, complementando, assim, os potenciais interatômicos tradicionais de aprendizado de máquina.

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

Publicado 2026-07-29

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando entender como uma máquina massiva e complexa funciona, como uma cidade futurista ou uma célula biológica gigante. Para fazer isso, os cientistas usam uma ferramenta poderosa chamada "Teoria do Funcional da Densidade" (DFT). Pense na DFT como uma câmera de alta resolução que tira fotos de como os elétrons (as minúsculas partículas eletricamente negativas que mantêm os átomos unidos) se movem e se organizam. Essa câmera é tão boa que ajuda químicos e cientistas de materiais a projetar novos medicamentos, baterias mais fortes e painéis solares melhores. No entanto, há um porém: tirar essas fotos é incrivelmente lento e caro. É como tentar filmar um filme em resolução 8K em um smartphone que tem bateria apenas para dez segundos de gravação. Por causa disso, os cientistas só podem simular sistemas muito pequenos ou momentos muito curtos no tempo.

Para acelerar as coisas, muitos pesquisadores começaram a usar o "Aprendizado de Máquina" para adivinhar as respostas. Geralmente, esses modelos de IA agem como um meteorologista: eles olham para os átomos e preveem o "tempo" (quanta energia o sistema possui e com que força os átomos estão se empurrando). Isso é rápido e útil, mas é como saber a temperatura sem saber por que está quente ou frio. Você perde a física subjacente, como os padrões de vento ou a umidade. Se você quiser entender a "estrutura de bandas" (que diz se um material é um metal ou um isolante) ou como a eletricidade flui através dele, você precisa do quadro completo, não apenas do relatório do tempo. É aqui que entra o novo artigo, oferecendo uma maneira de ensinar a IA a ver o filme inteiro, não apenas o relatório meteorológico.

Conheça o Mandala: A IA que Aprende os "Projetos" da Matéria

Neste artigo, uma equipe de cientistas apresenta o Mandala, um novo framework de software que atua como um mestre arquiteto para o mundo quântico. Enquanto a maioria dos modelos de IA na ciência dos materiais se contenta em adivinhar o placar final de um jogo (a energia), o Mandala foi projetado para aprender as regras e o manual de jogadas reais (os operadores matemáticos) que governam como os elétrons se comportam.

Pense nos elétrons em um material como uma festa de dança gigante e caótica. Os modelos de IA tradicionais apenas contam quantas pessoas estão dançando e quanta energia a música está usando. O Mandala, no entanto, aprende os passos específicos da dança, a maneira como os parceiros se conectam e o ritmo da sala. Ele faz isso prevendo três "projetos" ou matrizes específicas: o Hamiltoniano (que descreve a energia e as regras da dança), a Sobreposição (que descreve como o espaço pessoal dos dançarinos se sobrepõe) e a Densidade (que mostra onde os dançarinos estão aglomerados).

O Ingrediente Secreto: Simetria e Esparsidade

Por que o Mandala é especial? Ele usa dois truques inteligentes para tornar o impossível possível.

Primeiro, ele usa E(3)-equivariância. Imagine que você está olhando para um floco de neve. Se você girar o floco de neve, ele parecerá exatamente o mesmo, apenas virado. Uma IA normal poderia ficar confusa se você girasse o floco de neve na foto, pensando que é um objeto novo e diferente. O Mandala, no entanto, é "consciente da simetria". Ele entende que as leis da física não mudam apenas porque você virou a cabeça. Ele aprende os passos da dança de uma forma que funciona não importa como você gire ou inverta os átomos. Isso o torna incrivelmente eficiente e preciso, como um dançarino que conhece a coreografia tão bem que consegue executá-la em qualquer direção.

Segundo, ele usa esparsidade. Em uma cidade gigante, você não fala com todos ao mesmo tempo; você só interage com seus vizinhos. Da mesma forma, os elétrons interagem principalmente com os átomos que estão logo ao lado deles. O Mandala percebe que a maioria dos "projetos" está vazia (zero) porque átomos distantes não afetam uns aos outros. Em vez de tentar memorizar uma planilha massiva e vazia, ele foca apenas nas conexões ativas. Isso é como um detetive que entrevista apenas as testemunhas que realmente estavam na cena, ignorando o resto da cidade, tornando a investigação muito mais rápida.

O Que Eles Descobriram?

Os autores testaram o Mandala em três tipos de materiais muito diferentes para ver se ele conseguiria lidar com o caos do mundo real:

ZnCu2Sn(SeS)2: Um material complexo feito de cinco elementos diferentes, como uma sopa com cinco ingredientes distintos que precisam ser misturados perfeitamente.
Óxido de Silício Amorfo: Vítreo, bagunçado e desordenado, como uma pilha de areia que não foi peneirada.
Silício Cristalino: Uma grade organizada e ordenada, como uma parede de tijolos perfeitamente empilhada.

Em todos esses casos, o Mandala aprendeu com sucesso a prever os "projetos" (as matrizes) com alta precisão. Mas a verdadeira mágica aconteceu quando eles usaram essas previsões para calcular coisas para as quais não foram explicitamente treinados. Como o Mandala aprendeu as regras subjacentes, ele pôde gerar automaticamente:

Estruturas de Bandas: O "mapa rodoviário" dos níveis de energia que nos diz se um material conduz eletricidade.
Densidade de Estados: Um histograma mostrando quantos "assentos" eletrônicos estão disponíveis em diferentes níveis de energia.
Energias de Banda e Contagens de Elétrons: A energia total e o número de elétrons, derivados diretamente dos projetos previstos.

O artigo mostra que o Mandala pode fazer isso sem precisar de uma IA separada para cada tarefa. É um "balcão único" que aprende a física e depois deriva as respostas.

Os Limites e o Futuro

Os autores são cuidadosos ao notar que o Mandala não é uma varinha mágica que resolve tudo instantaneamente. Ele funciona melhor quando os átomos estão próximos o suficiente para interagir dentro de um certo limite (um "raio de corte") e, atualmente, foca em tipos específicos de materiais onde os elétrons estão localizados (presos perto dos átomos) em vez de flutuarem livremente por toda parte.

Eles também apontam que, embora o Mandala possa prever a "energia de banda" (uma parte específica da energia total), ele ainda não calcula a energia total inteira do sistema. Isso significa que ele não consegue, atualmente, prever as forças que movem os átomos em uma simulação (como em um motor de física de videogame) com precisão perfeita. Esse é um objetivo para o futuro.

No entanto, os resultados são promissores. Ao aprender os "operadores" (as regras matemáticas) em vez de apenas os "observáveis" (os números finais), o Mandala preenche a lacça entre o aprendizado de máquina rápido e a física quântica profunda. Isso sugere que podemos ter o melhor dos dois mundos: a velocidade da IA com os insights detalhados e ricos em física da mecânica quântica tradicional.

Em suma, o Mandala é um novo tipo de conjunto de ferramentas que ensina os computadores a entender a linguagem dos elétrons, não apenas o seu vocabulário. Ele permite que os cientistas simulem materiais maiores e mais complexos e vejam os detalhes eletrônicos ocultos que eram anteriormente caros demais para calcular, abrindo as portas para o design de melhores materiais para o nosso futuro.

Resumo Técnico: Mandala – Um Framework de Redes Neurais de Grafos E(3)-Equivariantes para o Aprendizado de Operadores de Estrutura Eletrônica

1. Definição do Problema

Os cálculos de estrutura eletrônica baseados na teoria do funcional da densidade de Kohn-Sham (DFT) são indispensáveis na ciência dos materiais computacional, mas são limitados pelos altos custos computacionais, o que restringe os tamanhos de sistemas e tempos de simulação acessíveis. Embora os potenciais interatômicos aprendidos por aprendizado de máquina (MLIPs) tenham acelerado com sucesso simulações para energias e forças, eles operam tipicamente em nível escalar ou vetorial. Consequentemente, os MLIPs convencionais falham em fornecer a informação de nível de operador necessária para reconstruir observáveis da mecânica quântica, tais como estruturas de bandas, densidades de estados (DOS), distribuições de carga espacial e outras propriedades eletrônicas. Existe uma lacuna metodológica para um framework escalável que aprenda os próprios operadores de estrutura eletrônica (Hamiltoniano, sobreposição e matrizes de densidade) mantendo a capacidade de derivar esses observáveis complexos diretamente dos operadores aprendidos.

2. Metodologia

Mandala é um framework de software modular projetado para aprender matrizes de estrutura eletrônica de esparsidade em blocos usando redes neurais de grafos (GNNs) E(3)-equivariantes. A metodologia é construída sobre os seguintes pilos:

Representação de Operador: Em vez de tratar a estrutura eletrônica como arrays globais densos, o Mandala representa as matrizes do Hamiltoniano ( $H$ ), sobreposição ( $S$ ) e densidade ( $D$ ) como tensores de blocos esparsos resolvidos por par de átomos. Isso aproveita a localidade da estrutura eletrônica em bases de orbitais localizados.
E(3)-Equivariância: O framework utiliza GNNs E(3)-equivariantes para respeitar as leis de transformação geométrica do espaço 3D (translações, rotações e reflexões). As características ocultas são decompostas em representações irredutíveis (irreps) do grupo de rotação $O(3)$ , rotuladas por momento angular $\ell$ e paridade $p$ . Isso garante que os operadores aprendidos se transformem corretamente sob operações de simetria sem depender de invariantes criados manualmente.
Fluxo de Trabalho Unificado: O framework integra vários componentes em um único pipeline:
- Ingestão de Dados: Parsers para múltiplos backends (OpenMX, FHI-aims, PySCF) convertem diversas saídas em um formato Snapshot unificado.
- Conversão de Base: Um BlockIrrepMapper converte as ordenações de orbitais e convenções de sinal específicas de cada backend em uma representação interna comum compatível com a biblioteca e3nn.
- Construção de Grafo: Condições de contorno periódicas são tratadas através da construção de arestas com vetores de deslocamento de rede explícitos, garantindo o alinhamento exato entre as arestas do grafo e os blocos de matrizes esparsas.
- Arquitetura do Modelo: A rede emprega passagem de mensagem equivariante, produtos tensoriais e cabeças de leitura configuráveis para prever vetores de irreps, que são então reconstruídos em blocos de operadores esparsos.
Guia por Observáveis: Uma característica fundamental é a capacidade de utilizar treinamento "guiado por observáveis". Como os operadores previstos são diferenciáveis, quantidades como a energia de banda ( $E_b = \text{Tr}(DH)$ ) e a contagem de elétrons ( $N_e = \text{Tr}(DS)$ ) podem ser computadas diretamente das matrizes previstas. Estas podem ser incluídas como termos de perda ao lado dos erros de reconstrução de matriz. Para sistemas periódicos, o guia espectral também é suportado.
Pós-processamento: O framework inclui etapas de pós-processamento conscientes da física, como simetrização de matrizes, alinhamento de gauge (correção de sobreposição-deslocamento) para Hamiltonianos e normalização de densidade para garantir a consistência da contagem de elétrons.

3. Principais Contribuições

Design de Framework: O Mandala fornece um stack de software reutilizável e modular que unifica a previsão de operadores esparsos, guia por observáveis, manipulação de dados de múltiplos backends e exploração ampla de arquiteturas. Ele permite que pesquisadores troquem formatos de dados, alvos físicos e variantes de modelos sem reescrever o código principal.
Aprendizado de Nível de Operador: Diferente dos MLIPs padrão que preveem energia escalar, o Mandala prevê os operadores quânticos subjacentes. Isso permite a reconstrução direta de estruturas de bandas, DOS e distribuições de carga a partir do modelo aprendido.
Implementação E(3)-Equivariante: O framework implementa uma abordagem rigorosa E(3)-equivariante para matrizes esparsas em blocos, mapeando blocos de pares de átomos para representações irredutíveis para garantir consistência geométrica.
Objetivos de Treinamento Flexíveis: O sistema suporta aprendizado de matriz pura, aprendizado misto de matriz e observável, e treinamento totalmente guiado por observáveis. Permite a previsão simultânea das matrizes de Hamiltoniano, sobreposição e densidade com representações latentes compartilhadas.
Escalabilidade e Extensibilidade: O framework é projetado para suportar composições químicas heterogêneas e várias variantes de arquitetura neural dentro de um único fluxo de trabalho. Inclui ferramentas para busca sistemática de arquitetura via parâmetros de configuração.

4. Resultados

O artigo demonstra as capacidades do Mandala em três conjuntos de dados distintos:

ZnCu2Sn(SeS)2: Um calcogeneto multicomponente com cinco elementos e ambientes quimicamente distintos. O modelo resolveu com sucesso a química local heterogênea e o acoplamento entre ambientes.
SiO2 Amorfo: Uma configuração de vidro amorfo de 150 átomos, demonstrando a capacidade do framework de lidar com ambientes desordenados e não periódicos dentro de um framework periódico.
Silício Perturbado: Silício cristalino com perturbações, usado para validar o desempenho em um sistema periódico padrão.

Métricas de Desempenho:

Os modelos alcançaram baixos Erros Médios Absolutos (MAE) para as matrizes de Hamiltoniano, sobreposição e densidade nos conjuntos de validação.
Energias de banda e contagens de elétrons foram preditas com precisão diretamente dos operadores.
Densidades de Estados (DOS) e estruturas de bandas foram reconstruídas com sucesso e corresponderam aos cálculos de referência de DFT.
Escalabilidade de Inferência: Testes de benchmark em supercélulas de silício periódicas (até 4096 átomos) em uma única GPU NVIDIA B200 mostraram que a inferência escala linearmente com o tamanho do sistema até o limite testado. Os principais gargalos identificados foram a preparação do grafo e a memória de avaliação do modelo, não a passagem direta (forward pass) da rede neural em si.

5. Significância e Alegações

O artigo posiciona o Mandala como uma ferramenta complementar aos fluxos de trabalho de potenciais interatômicos atomísticos. Sua principal significância reside em preencher a lacuna entre o aprendizado de máquina eficiente e a necessidade de análise detalhada da estrutura eletrônica.

Complementaridade: O Mandala é destinado a complementar os fluxos de trabalho de MLIP existentes, resolvendo a estrutura eletrônica e observáveis derivados de operadores dentro de uma implementação escalável única, em vez de substituí-los.
Avanço Metodológico: Ao aprender operadores diretamente, o framework retém uma representação ligada aos princípios quânticos, permitindo a análise de fenômenos como transferência de carga, hibridização orbital e estados localizados em defeitos, que são inacessíveis para MLIPs apenas escalares.
Reprodutibilidade e Extensibilidade: O framework enfatiza a reprodutibilidade através de ordenação determinística de arestas, configurações serializadas e design modular, tornando-o uma plataforma robusta para futura experimentação metodológica em aprendizado de máquina científico.

Os autores observam limitações atuais, incluindo a restrição a matrizes reais e não polarizadas de spin, a dependência de bases de orbitais localizados e o fato de que o observável de energia de banda ainda não inclui todas as contribuições para a energia total de Kohn-Sham (limitando o uso direto de derivadas para forças e tensões de energia total). No entanto, o framework foi projetado para acomodar essas extensões em desenvolvimentos futuros.