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。

S微软kala 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分子体系的原子研究化能量评估中，平均绝对误差（MAE）达到了1.06kcal/mol，其中在单参考子集上更是达到了0.85kcal/mol;在 GMTKN55基准院推测试中，Skala 的加权均方根绝对误差(WTMAD-2)为3.89kcal/mol，这些结果显示 Skala 在精度上与顶级混合泛函相竞争。

Skala 的出 设计目标是实现严格的主族热化学计算，而不是在第一时间内提供一个适用于所有领域的通用泛函。该模型并没有尝试学习色散效应，初步版本中仍然使用固定Sk的 D3（BJ） 色散修正。这款工具非常适合应用于需要半局部成本和混合级精度的主族分子化学领域，如高通量反应能量(ΔE)、反应障碍估计、构象 / 自由基稳定al性排名及几何和偶极子预测等。

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 SCFa: 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，包深度括约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 执行进学习行了优化。该模型的公开代码和工具包已经在 Azure AI Foundry 实验室和 GitHub 上发布，用户可以直接在 PySCF/ASE 和 GauXC 平台中的交运行，便于进行高效的批量 SCF 计算。

项目:https://github.com/microsoft/skala?tab=readme-ov-换 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。 &n关联bsp;

Skala 可在 Azure AI Foundry 实验室和 GitHub 上获取，支持高效的分子计算与实验分享。

• ·IDC：2029年全球 AI 投资将达到12619亿美元
• ·标签: 阿维塔 长安汽车 宁德时代 引望
• ·Zoom瀹ｅ竷灏嗕互147浜跨編鍏冩敹璐�簯鏈嶅姟鍏�徃Five9
• ·标签: 联想集团 Infinidat 企业级存储 AI数据基础设施
• ·标签: 原神 米哈游 封号
• ·“大数据杀熟”行为有了细化认定标准
• ·Docker+Wasm 技术预览简介
• ·聚多巴胺结构式
• ·标签: 京东折扣超市 京东拼拼 京东集团 社区团购
• ·云计算核心技术Docker教程：启用IPv6支持
• ·Twitter在旗下阅后即焚功能Fleets中测试全屏广告
• ·标签: 闲鱼 鱼鲤购 潮玩盲盒 官仓发货
• ·TikTok测试应用内购买 加剧与Facebook竞争
• ·数据仓库技术教程：万字详解整个数据仓库建设体系
• ·阿里版GPT“通义千问”官宣邀测 阿里已申请多个“通义”商标
• ·火山引擎称霸市场！2025年中国公有云大模型服务分析