微軟研究院推出 Skala:深度學習的交換 - 關聯泛函，以半局部成本實現混合級精度

微軟研究院近日發佈了一款名爲 Skala 的深度學習交換 - 關聯（XC）泛函，旨在爲 Kohn–Sham 密度泛函理論(DFT)提供高效的計算方案。

Skala 通過學習非局部效應，使得其計算效率與當前的 meta-GGA 泛函相當，同時在精度上可以達到混合泛函的水平。其在 W4-17分子體系的原子化能量評估中，平均絕對誤差（MAE）達到了1.06kcal/mol，其中在單參考子集上更是達到了0.85kcal/mol;在 GMTKN55基準測試中，Skala 的加權均方根絕對誤差(WTMAD-2)爲3.89kcal/mol，這些結果顯示 Skala 在精度上與頂級混合泛函相競爭。

Skala 的設計目標是實現嚴格的主族熱化學計算，而不是在第一時間內提供一個適用於所有領域的通用泛函。該模型並沒有嘗試學習色散效應，初步版本中仍然使用固定的 D3（BJ） 色散修正。這款工具非常適合應用於需要半局部成本和混合級精度的主族分子化學領域，如高通量反應能量(ΔE)、反應障礙估計、構象 / 自由基穩定性排名及幾何和偶極子預測等。

Skala 的架構和訓練過程分爲兩個階段:首先在 B3LYP 密度上進行預訓練，提取高水平波函數能量的 XC 標籤;其次進行 SCF 內循環的精細調整，使用 Skala 自己的密度，而無需通過反向傳播進行 SCF。Skala 的模型訓練基於一套大規模的、高質量的原子化能量數據集，包括約80，000個高精度的總原子化能量（MSR-ACC/TAE）。

爲保證效率，Skala 的計算複雜度維持在 O （N³），並且針對 GPU 執行進行了優化。該模型的公開代碼和工具包已經在 Azure AI Foundry 實驗室和 GitHub 上發佈，用戶可以直接在 PySCF/ASE 和 GauXC 平臺中運行，便於進行高效的批量 SCF 計算。

項目:https://github.com/microsoft/skala?tab=readme-ov-file

劃重點:  

🌟 Skala 在 W4-17的 MAE 爲1.06kcal/mol，單參考子集爲0.85kcal/mol，具備高精度。  

🛠️ 該模型通過學習非局部效應，實現了與當前 meta-GGA 泛函相似的計算效率，目標聚焦於主族化學。  

🚀 Skala 可在 Azure AI Foundry 實驗室和 GitHub 上獲取，支持高效的分子計算與實驗分享。