微软研究院发布Skala：混合精度的深度学习交换关联泛函

核心概述

微软研究院近期发布了一款名为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。

性能表现

Skala通过学习非局域效应，在保持与当前meta-GGA泛函相当计算效率的同时，达到了杂化泛函的精度水平：

• W4-17分子体系原子能评估：

  • 平均绝对误差（MAE）：1.06 kcal/mol
  • 单参考子集上：0.85 kcal/mol

• GMTKN55基准测试：

  • 加权平均绝对偏差（WTMAD-2）：3.89 kcal/mol

这些结果表明Skala在精度上可与顶级杂化泛函相媲美。

设计目标与应用领域

Skala的设计目标是实现严格的主族热化学计算，而非立即提供适用于所有领域的通用泛函：

• 模型不尝试学习色散效应
• 初始版本仍使用固定的D3（BJ）色散校正
• 特别适用于需要半局域成本和杂化级精度的主族分子化学领域

具体应用场景：

• 高通量反应能计算
• 反应能垒估算
• 构象/自由基稳定性排序
• 几何结构和偶极矩预测

架构与训练

Skala的架构和训练过程分为两个阶段：

1. 预训练阶段：在B3LYP密度上进行预训练，提取高级波函数能量的XC标签
2. 微调阶段：在SCF循环内使用Skala自身密度进行微调，不依赖SCF的反向传播

训练数据：基于大规模、高质量的原子能数据集，包含约80,000个高精度总原子能量（MSR-ACCTAE）

技术特点

• 保持O(N)的计算复杂度
• 针对GPU执行进行优化
• 支持高效批量SCF计算

开源与部署

Skala的开源代码和工具包已在以下平台发布：

• Azure AI Foundry Laboratory
• GitHub

支持平台：

• PySCFASE平台
• GauXC平台

发布时间

2025年10月10日发布

火龙果频道