微软研究院发布Skala: 一种通过半局部成本实现混合精度的深度学习交换-关联泛函
发布时间:2025-10-10 17:59:53 | 责任编辑:张毅 | 浏览量:7 次
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 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 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 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。
这是一篇关于微软研究院推出 Skala:深度学习的交换 - 关联泛函,以半局部成本实现混合级精度的文章,内容值得关注。
本网站(https://aigc.izzi.cn)刊载的所有内容,包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏,以及其他非商业性或非盈利性用途,但同时应遵守著作权法及其他相关法律的规定,不得侵犯本网站及相关权利人的合法权利。除此以外,将本网站任何内容或服务用于其他用途时,须征得本网站及相关权利人的书面许可,并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容,请及时通知本站,予以删除。