Potenciais de Rede Neural de Princípios Fundamentais para Simulações Reativas de Grandes Sistemas Moleculares e Condensados

As técnicas modernas de simulação atingiram um nível de maturidade que permite abordar uma ampla gama de problemas em química e ciência dos materiais. Infelizmente, a aplicação de métodos de princípios fundamentais com poder preditivo ainda é limitada a sistemas relativamente pequenos, e apesar da rápida evolução do hardware de computadores, nenhuma mudança fundamental nessa situação pode ser esperada. Consequentemente, o desenvolvimento de potenciais atomísticos mais eficientes, mas igualmente confiáveis, para alcançar uma compreensão em nível atômico de sistemas complexos tem recebido considerável atenção nos últimos anos. Um novo desenvolvimento promissor tem sido a introdução de métodos de aprendizado de máquina (ML) para descrever as interações atômicas. Uma vez treinados com dados de estrutura eletrônica, os potenciais de ML podem acelerar simulações computacionais em várias ordens de magnitude, enquanto preservam a precisão mecânica quântica. Esta Revisão considera a metodologia de uma importante classe de potenciais de ML que emprega redes neurais artificiais.