Dichtheidsfunctionaaltheorie: hoe computers moleculen en materialen doorgronden

Bijgewerkt: 12 augustus 2026 · 6 min leestijd

Stel je voor dat je het verkeer in een hele stad wilt voorspellen. Je zou in theorie elke automobilist afzonderlijk kunnen volgen: waar hij vandaan komt, welke route hij neemt, hoe snel hij rijdt. Voor een paar auto's is dat te doen, maar voor een miljoenenstad wordt het reken- en meettechnisch onmogelijk. Een slimmere aanpak is om te kijken naar de verkeersdichtheid per straat en per tijdstip: een simpeler gegeven waaruit je toch heel veel bruikbare informatie kunt halen, zoals waar files ontstaan.

Dichtheidsfunctionaaltheorie (DFT) doet iets vergelijkbaars, maar dan met elektronen in atomen, moleculen en materialen. In plaats van het gedrag van elk afzonderlijk elektron exact te berekenen - wat voor alles behalve de allerkleinste systemen rekenkundig onmogelijk is - kijkt DFT naar de elektronendichtheid: hoeveel kans er is om ergens in de ruimte een elektron aan te treffen. Uit die dichtheid, een relatief eenvoudige driedimensionale functie, kunnen wetenschappers met wiskundige trucs eigenschappen afleiden zoals de sterkte van chemische bindingen, de kleur van een verfstof of de energie die vrijkomt bij een batterijreactie. DFT is daarmee een van de meest gebruikte rekenmethoden in de scheikunde, natuurkunde en materiaalkunde geworden, en duikt op in nieuws over nieuwe batterijmaterialen, medicijnontwikkeling en katalysatoren.

Wat is het precies?

De kern van DFT is een wiskundig inzicht uit 1964, bekend als de Hohenberg-Kohn-stellingen, vernoemd naar natuurkundigen Pierre Hohenberg en Walter Kohn. Zij bewezen dat de elektronendichtheid van een systeem in principe genoeg informatie bevat om alle eigenschappen van dat systeem te berekenen - je hebt dus niet de volledige, veel complexere golffunctie van alle elektronen samen nodig. Dat scheelt enorm in rekenwerk, want de golffunctie van een systeem met honderd elektronen heeft honderden ruimtelijke coördinaten, terwijl de dichtheid er altijd maar drie heeft (x, y en z).

Het probleem was dat niemand wist hoe je van die dichtheid naar concrete energieën en krachten moest rekenen. Die stap kwam in 1965 met de Kohn-Sham-vergelijkingen, ontwikkeld door Walter Kohn en Lu Jeu Sham. Zij stelden voor om het lastige probleem van wisselwerkende elektronen te vervangen door een fictief systeem van niet-wisselwerkende elektronen dat toevallig dezelfde dichtheid oplevert. Al het lastige quantumgedrag - hoe elektronen elkaar afstoten en "ontwijken" - wordt daarbij verstopt in één term: de exchange-correlatiefunctionaal. Het venijn zit in de staart: niemand kent de exacte vorm van deze functionaal. In de praktijk gebruiken onderzoekers benaderingen, met namen als LDA, PBE (een veelgebruikte GGA-functionaal) of hybride functionalen zoals B3LYP, elk met eigen sterke en zwakke punten.

Een DFT-berekening verloopt in de praktijk als een iteratief proces: de computer gokt een startdichtheid, berekent daarmee een energie en een nieuwe dichtheid, en herhaalt dat totdat de uitkomst niet meer verandert ("convergeert"). Dat gebeurt met gespecialiseerde software op supercomputers of zware werkstations, en kan van seconden tot dagen duren, afhankelijk van hoeveel atomen het systeem bevat.

Wat wil men ermee bereiken?

Het uiteindelijke doel is simpel te omschrijven: eigenschappen van materialen en moleculen voorspellen vóórdat je ze daadwerkelijk in een laboratorium maakt. Traditioneel scheikundig en materiaalkundig onderzoek verloopt via kostbaar en tijdrovend trial-and-error: synthetiseren, meten, aanpassen, opnieuw proberen. DFT belooft een deel van dat proces te vervangen door rekenwerk, waardoor onderzoekers sneller en goedkoper kunnen filteren welke kandidaten de moeite van het echte experiment waard zijn.

Concreet wordt DFT gebruikt om te voorspellen hoe stabiel een kristalstructuur is, welke elektrische of magnetische eigenschappen een materiaal heeft, hoe een molecuul reageert met een ander, of waarom een katalysator wel of niet goed werkt. Dat maakt het aantrekkelijk voor sectoren als batterijontwikkeling, halfgeleidertechnologie, katalyse voor de chemische industrie en, in combinatie met andere methoden, medicijnontwerp. Belangrijk is wel dat DFT zelden op zichzelf staat: het is meestal één schakel in een langere onderzoeksketen, gevolgd door labexperimenten die de rekenresultaten moeten bevestigen.

Voorbeelden uit de praktijk

Het Materials Project, opgezet vanuit het Lawrence Berkeley National Laboratory in de Verenigde Staten onder leiding van materiaalwetenschapper Kristin Persson, is een van de bekendste toepassingen. Sinds de start begin jaren 2010 heeft dit project met DFT-berekeningen eigenschappen van tienduizenden bestaande en hypothetische kristalstructuren in kaart gebracht en gratis online beschikbaar gemaakt, met als doel de zoektocht naar nieuwe batterij-, zonnecel- en halfgeleidermaterialen te versnellen.

In de katalyseonderzoek gebruikt hoogleraar Jens Nørskov (verbonden aan onder meer de Technische Universiteit van Denemarken en Stanford University) DFT-berekeningen om te voorspellen welke metaaloppervlakken goed zijn in het versnellen van reacties zoals de productie van ammoniak of waterstof. Zijn zogeheten d-bandmodel, gebaseerd op DFT-uitkomsten, helpt onderzoekers om katalysatoren gericht te ontwerpen in plaats van ze via gokwerk te vinden.

Google DeepMind publiceerde in 2021 in het tijdschrift Science een neuraal-netwerk-gebaseerde exchange-correlatiefunctionaal (bekend als DM21), die volgens de onderzoekers een deel van de systematische fouten in bestaande functionalen verminderde. Later, in 2023, meldde hetzelfde bedrijf met het GNoME-project (gepubliceerd in Nature) machine-learningmodellen te hebben getraind op grote hoeveelheden DFT-data om honderdduizenden nieuwe, potentieel stabiele kristalstructuren te voorspellen - een claim die in de vakgemeenschap ook kritisch is ontvangen, omdat "stabiel volgens de berekening" niet automatisch betekent dat een materiaal ook daadwerkelijk te maken en bruikbaar is.

In de farmaceutische en chemische industrie wordt DFT daarnaast routinematig ingezet, vaak via commerciële softwarepakketten, om reactiemechanismen te doorgronden en om eigenschappen van kandidaat-moleculen in te schatten voordat ze gesynthetiseerd worden.

Hoe ver is de techniek?

DFT is geen opkomende technologie meer, maar een volwassen, breed geaccepteerd rekengereedschap dat al decennia in gebruik is - de basisideeën dateren uit de jaren zestig, en sinds de jaren negentig is het gebruik explosief gegroeid dankzij goedkopere rekenkracht. Toch blijft het veld volop in ontwikkeling, vooral op twee fronten.

Ten eerste blijft de nauwkeurigheid een openstaand probleem. Omdat de exacte exchange-correlatiefunctionaal onbekend is, geven verschillende benaderingen soms uiteenlopende uitkomsten voor dezelfde vraag, bijvoorbeeld bij zwakke bindingen (van der Waalskrachten) of bij materialen met sterk gecorreleerde elektronen, zoals sommige magnetische oxiden. Onderzoekers moeten dus zorgvuldig de juiste functionaal voor het juiste probleem kiezen, en resultaten worden idealiter altijd geverifieerd met experimenten.

Ten tweede is rekenkracht nog altijd een beperkende factor: standaard-DFT schaalt ruwweg met de derde macht van het aantal elektronen, waardoor berekeningen aan grote, realistische systemen (denk aan eiwitten of onordelijke materialen) al snel onbetaalbaar duur worden. De belangrijkste huidige ontwikkeling is daarom de combinatie van DFT met machine learning: neurale netwerken die getraind zijn op duizenden DFT-berekeningen kunnen vervolgens razendsnel benaderingen geven voor nieuwe, vergelijkbare systemen, al blijft de betrouwbaarheid van die snelle voorspellingen buiten het trainingsgebied een punt van zorg.

Wie werken eraan?

Het fundament is gelegd door natuurkundigen Pierre Hohenberg, Walter Kohn en Lu Jeu Sham; Kohn ontving hiervoor in 1998 samen met chemicus John Pople de Nobelprijs voor de Scheikunde. Vandaag de dag is DFT-onderzoek verspreid over honderden universiteiten en onderzoeksinstituten wereldwijd, met opvallende zwaartepunten bij Amerikaanse nationale laboratoria zoals Lawrence Berkeley National Laboratory, Duitse Max Planck-instituten, en technische universiteiten in landen als Denemarken, Nederland, Japan, Zwitserland en China.

Ontwikkeling en onderhoud van DFT-software is deels academisch georganiseerd, zoals bij het open-source pakket Quantum ESPRESSO en het programma ORCA (ontwikkeld aan een Max Planck-instituut), en deels commercieel, zoals VASP (uit Wenen) en Gaussian. Grote techbedrijven zoals Google DeepMind en Microsoft investeren de laatste jaren ook in DFT-gerelateerd onderzoek, vooral in de combinatie met machine learning voor materiaalontdekking. Daarnaast zetten farmaceutische en chemische bedrijven, batterijfabrikanten en halfgeleiderproducenten DFT in als onderdeel van hun onderzoek- en ontwikkelproces, doorgaans in combinatie met academische samenwerkingen.