Aprendizado de Hamiltonianos Eletrônicos para Materiais 2D com Inteligência Artificial e Redes Neurais de Grafos Equivariantes

• Processo: 25/23989-5
• Modalidade de apoio: Bolsas no Brasil - Programa Estímulo a Vocações Científicas
• Data de Início da vigência: 26 de janeiro de 2026
• Data de Término da vigência: 17 de março de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Gabriel Ravanhani Schleder
• Beneficiário: Raimundo Célio Rodrigues Neto Bezerra
• Instituição Sede: Centro Nacional de Pesquisa em Energia e Materiais (CNPEM). Campinas , SP, Brasil
• Assunto(s): Aprendizagem profunda Estrutura eletrônica Inteligência artificial Materiais bidimensionais Simulação por computador
• Palavra(s)-Chave do Pesquisador: Deep Learning | Estrutura eletrônica | Inteligência Artificial | Materiais bidimensionais | Simulação Computacional | teoria do funcional da densidade (DFT) | Simulação computacional de materiais

Resumo

A predição de propriedades quânticas de materiais 2D, como super-redes de moiré, é limitada pelo alto custo da Teoria do Funcional da Densidade (DFT). Este projeto propõe um modelo de aprendizado profundo para aprender o Hamiltoniano quântico diretamente das estruturas atômicas. Utilizaremos um dataset DFT de alta qualidade para treinar redes neurais de grafos cientes de simetrias, capazes de mapear configurações atômicas ao Hamiltoniano eletrônico com precisão ab initio. O modelo permitirá prever estruturas de bandas eletrônicas quase instantaneamente em sistemas com milhares de átomos, superando em muito a eficiência da DFT tradicional. Isso acelerará a triagem de materiais e o design de novos materiais 2D com propriedades eletrônicas e topológicas sob medida, impulsionando avanços por exemplo em dispositivos quânticos.