Rješavanje velikih i rijetkih svojstvenih problema u simulacijama temeljene na teoriji funkcionala gustoće (DFT) je vremenski i računski iznimno zahtjevno, posebno za velike biomolekularne sustave. U ovom istraživanju predstavljena je metoda temeljena na strojnom učenju, trenirana na 660 proračuna proteinskih dimera, za predviđanje svojstvenih vrijednosti i gustoće stanja (Density-of-States - DoS). Boljim predviđanjem inicijalnog stanja biomolekularnog sustava, moguće je značajno ubrzati konvergenciju izračun samosuglasnih polja (engl. Self-Consistent Field - SCF) te tako smanjiti broj potrebnih iteracija s nekoliko desetaka na samo nekoliko uz zadržavanje točnosti izračuna. Tako dobivene uštede omogućuju učinkovite kvantne simulacije velikih biomolekularnih struktura ključnih u otkrivanju učinkovitijih lijekova i razvoju novih materijala.