微软研究院近日发布了一款名为 Skala 的深度学习交换-关联 （XC） 泛函，旨在为 Kohn–Sham 密度泛函理论 (DFT) 提供高效的计算方案。
Skala 通过学习非局部效应，使得其计算效率与当前的 meta-GGA 泛函相当，同时在精度上可以达到混合泛函的水平。其在 W4-17 分子体系的原子化能量评估中，平均
Skala 的设计目标是实现严格的主族热化学计算，而不是在
Skala 的架构和训练过程分为两个阶段: 首先在 B3LYP 密度上进行预训练，提取高水平波函数能量的 XC 标签; 其次进行 SCF 内循环的精细调整，使用 Skala 自己的密度，而无需通过反向传播进行 SCF。Skala 的模型训练基于一套大规模的、高质量的原子化能量数据集，包括约 80，000 个高精度的总原子化能量 （MSR-ACC/TAE）。
为保证效率，Skala 的计算复杂度维持在 O（N³），并且针对 GPU 执行进行了优化。该模型的公开代码和工具包已经在 AzureAIFoundry 实验室和 GitHub 上发布，用户可以直接在 PySCF/ASE 和 GauXC 平台中运行，便于进行高效的批量 SCF 计算。
项目:https://github.com/microsoft/skala?tab=readme-ov-file
划重点:
🌟Skala 在 W4-17 的 MAE 为 1.06kcal/mol，单参考子集为 0.85kcal/mol，具备高精度。
🛠️该模型通过学习非局部效应，实现了与当前 meta-GGA 泛函相似的计算效率，目标聚焦于主族化学。
🚀Skala 可在 AzureAIFoundry 实验室和 GitHub 上获取，支持高效的分子计算与实验分享。
