Modeliranje materijala na temelju teorije funkcionala gustoće (eng. kratica DFT) danas je nezamjenjivo u istraživanju materijala. S povećanjem računalne snage i sinergijom sa znanošću o podacima, ono može postati jeftiniji i produktivniji laboratorij za otkrivanje materijala. Međutim, u slučajevima kada se proučavaju materijali s velikim brojem atoma u jediničnoj ćeliji i/ili kada je potrebna dugotrajna dinamika, DFT postaje računalno preskup. Dva primjera takvih slučajeva od visokog akademskog i gospodarskog interesa su modeliranje dinamičkih i temperaturnih efekata u molekularnim kristalima i dinamika molekula na površinama. Da bi se preciznost DFT-a spojila sa zahtjevima za dugotrajnom dinamikom s velikim brojem atoma, koristit će se strojno učenje (s umjetnim neuronskim mrežama) ploha potencijalne energije koje se temelje na prethodno izračunatim DFT energijama/silama. Takve strojno naučene plohe potencijalne energije omogućuju dobivanje energije/sile s DFT točnosti s nekoliko puta manjim računalnim troškom. Dva najvažnija znanstvena doprinosa ovog projekta bit će: i) strojno naučeni potencijali za molekularne kristale koji će omogućiti razumijevanje dinamičkih i temperaturno induciranih pojava u molekularnim kristalima (kao istaknuti primjer bit će objašnjen tzv. termoodskočni fenomen), te visoko propusno probiranje molekularnih kristala s poželjnim svojstvima, ii) razumijevanje složene dinamike molekula na površinama relevantnim za heterogenu katalizu pod različitim uvjetima pobude, pokrivenosti i tlaka kroz molekularnu dinamiku na strojno naučenim potencijalima. Krajnji cilj ovog projekta je uspostaviti grupu koja bi svojim znanjem DFT-a osnaženim tehnikama strojnog učenja, kroz suradnju s eksperimentalnim istraživanjima i edukacijom mladih istraživača, značajno unaprijedila istraživanje materijala u Hrvatskoj.