マイクロソフト研究院がSkalaを発表：深層学習用の交換-関連汎関数、半局所的なコストにより混合精度を実現

マイクロソフト研究開発部は最近、Kohn–Sham 密度汎関数理論（DFT）に効率的な計算手法を提供するための深層学習交換-相関（XC）汎関数「Skala」というものをリリースしました。

Skala は非局所効果を学習することで、現在の meta-GGA 汎関数と同等の計算効率を達成しつつ、精度では混合汎関数レベルに達しています。W4-17分子系における原子化エネルギー評価において、平均絶対誤差（MAE）は1.06kcal/molであり、特に単一基底子セットでは0.85kcal/molに達しています。GMTKN55ベンチマークテストでは、Skala の重み付き均方根絶対誤差（WTMAD-2）は3.89kcal/molです。これらの結果から、Skala はトップクラスの混合汎関数と競争できる精度を持っていることがわかります。

Skala の設計目的は、第一に全領域に適用可能な汎関数を提供することではなく、厳密な主族熱化学計算を実現することです。このモデルは分散効果を学習しようとはしていません。初期バージョンでは依然として固定された D3（BJ）分散補正を使用しています。このツールは、半局所的コストと混合級の精度が必要な主族分子化学分野に非常に適しています。例えば、高通量反応エネルギー（ΔE）、反応障壁推定、構造/ラジカルの安定性ランキング、幾何学および双極子予測などに使用できます。

Skala のアーキテクチャとトレーニングプロセスは2つの段階で構成されています。まず、B3LYP密度に基づいて予備トレーニングを行い、高精度波動関数エネルギーのXCラベルを抽出します。次に、SCF内ループの微調整を行います。この際、SCFのために逆伝播による計算は必要ありません。Skala のモデルトレーニングは、約80,000個の高精度総原子化エネルギー（MSR-ACC/TAE）データセットをもとにしています。

効率を保証するために、Skala の計算複雑度は O(N³) を維持しており、GPUでの実行を最適化しています。このモデルの公開コードとツールキットは、Azure AI Foundry ラボとGitHubで公開されており、ユーザーはPySCF/ASEやGauXCプラットフォームで直接実行可能です。これにより、効率的な大規模SCF計算が可能になります。

プロジェクト: https://github.com/microsoft/skala?tab=readme-ov-file

ポイント:  

🌟 W4-17におけるMAEは1.06kcal/mol、単一基底子セットでは0.85kcal/molで、非常に高い精度を持っています。  

🛠️ このモデルは非局所効果を学習し、現在のmeta-GGA汎関数と同程度の計算効率を実現しています。主族化学をターゲットにしています。  

🚀 SkalaはAzure AI Foundry ラボとGitHubで利用可能です。効率的な分子計算と実験共有をサポートしています。