Broadening access to Skala creates a faster path to predictive DFT

扩大对 Skala 的访问，为预测性 DFT 提供更快的路径 - 微软研究院

/.itemprop=publisher

/itemprop=image

扩大对 Skala 的访问，为预测性 DFT 提供更快的路径

2026 年 8 月 20 日发布

作者：Sebastian Ehlert，高级研究员 Stefano Battaglia，高级研究员 Thijs Vogels，高级研究软件工程师 Jan Hermann，首席研究经理 Jens Wehner，高级软件工程师 Giulia Luise，高级研究员 Klaas Giesbertz，高级研究员 Chin-Wei Huang，高级研究员 Aaron Kaplan，高级研究员 Kate Milton，高级研究工程师 Stephanie Marisa Lanius，高级数据工程师 Derk Kooi，高级研究员 P. Bernát Szabó，高级研究员 Gregor Simm，高级研究员 Rianne van den Berg，高级首席研究经理 Paola Gori Giorgi，高级首席研究经理

分享此页面

• 在 Facebook 上分享

• 在 X 上分享

• 在 LinkedIn 上分享

• 在 Reddit 上分享

• 订阅我们的 RSS 订阅源

/#single-header

一目了然

• Skala 1.1 展示了微软研究院深度学习 DFT 方法持续改进的特性：在比前一版本多 2.5 倍的数据上进行训练，它在热化学、反应动力学和分子结构预测等关键分子模拟挑战中实现了显著更高的准确性。

• Skala 现已在 CP2K 中提供，并正在集成到 Psi4、FHI-aims、ORCA 和 VASP 中，使下一代 DFT 精度更接近依赖这些代码的社区。

• 微软研究院还引入了一个动态基准测试，将跟踪后续不断优化的 Skala 版本的计算性能，帮助社区衡量并加速向更高精度和效率的进展。

• 这些进展共同标志着迈向未来的一个重要里程碑，在未来，计算化学模拟将同时具备预测性和集成在所有相关科学和工业工作流程中。

将密度泛函理论（DFT）提升到预测精度是一个持续的过程，而非单一突破。自推出 Skala（我们的深度学习交换-关联泛函）以来，我们一直在两个互补的方向上持续推进：提高精度和扩大在计算化学生态系统中的可访问性。

图 1：Skala-1.1 在热化学、动力学和非共价相互作用中的精度。在与元-GGA 泛函相当的计算成本下，Skala 1.1 的表现优于最先进且最昂贵的全局混合泛函，在广泛使用的 GMTKN55 基准测试的 55 个类别中，有 32 个类别排名第一（获得金牌），该基准测试涵盖了广泛的化学问题。

在精度方面，Skala-1.1（在新标签中打开）的发布首次展示了 Skala 背后的持续改进范式。与 Skala 的首个公开版本相比，Skala-1.1 在 2.5 倍的数据上进行训练，更新后的模型在分子模拟的关键挑战中实现了显著性能提升，包括主族热化学、反应动力学和分子结构预测。

但准确性本身并不足够。DFT是众多科学和工业工作流程背后的计算引擎，涵盖化学、材料科学、催化、能源技术和药物发现等领域。要产生实际影响，先进的泛函必须能够在科学家进行计算的现有环境中使用。这就是为什么我们还通过与领先的电子结构软件开发者的合作，正在扩展Skala生态系统。

今天，我们宣布Skala已集成到CP2K中，并正在整合到Psi4、FHI-aims、ORCA和VASP中，使下一代DFT精度更接近每天依赖这些代码的社区。在这些整合工作的同时，我们还推出了一项动态基准测试，用于跟踪连续优化版本的Skala的计算性能。通过为不同软件包和硬件平台上的实现提供透明且持续更新的参考，这一资源将帮助社区衡量并加速向更高精度和效率的进展。

这些进展标志着计算化学模拟迈向一个未来的重要里程碑，即在更广泛的科学和工业工作流程中，模拟既具有预测性又易于访问。

想了解更多关于Skala以及DFT在虚拟发现中为何如此重要的信息？请阅读我们的第一篇博客文章（在新标签页中打开）。

Skala作为持续改进的泛函

与传统“泛函动物园”中不断积累而没有替换旧泛函的做法不同，Skala遵循不同的理念：每个版本都旨在取代前一个版本。随着新数据、模型架构和训练策略的出现，模型在保持相同实际计算成本的同时持续改进。

Skala-1.1是这一方法的最新体现。在广泛使用的包含55个化学类别（包括热化学、反应势垒和非共价相互作用）的GMTKN55基准套件上，它实现了2.8 kcal/mol的加权平均误差。这种精度超过了当今领先的全局（范围分离）混合泛函，同时保留了半局域泛函的效率。除了能量之外，Skala-1.1还提供了高度精确的电子密度、偶极矩和分子几何结构。

这些进展得益于微软研究院精确化学数据集（MSR-ACC）的重大扩展（在新标签页中打开），这是我们使用昂贵的波函数方法生成的高精度量子化学参考数据的大规模集合。对于Skala-1.1，我们增加了新的类别，包括电子亲和能和非共价簇，从而增加了训练数据的规模和关键的多样性。这种数据驱动的方法使Skala能够随着每一代的迭代系统性改进，使我们更接近真正可扩展且具有预测能力的DFT框架。

在科学家工作的环境中可用

为了充分实现Skala对DFT持续演进方法的潜力，我们需要专门的基础设施，使新版本能够快速无缝地集成到工业和学术界科学家使用的主流软件包中。反过来，这将建立加速Skala持续开发所需的快速反馈循环。

我们首先通过开源社区发布版（在新标签页中打开）向用户开放了 Skala，该版本基于（GPU4）PySCF（在新标签页中打开）构建，并与 ASE（在新标签页中打开）集成。这使研究人员能够以最小的投入评估和应用 Skala，同时享受高度优化的 CPU 和 GPU 性能。

但没有任何一个软件包能够满足所有应用场景或研究社区的需求。计算化学和材料科学依赖于丰富的电子结构代码生态系统，这些代码经过数十年的发展，专门用于解决特定的科学和工业挑战。因此，将 Skala 引入这个更广泛的生态系统已成为过去一年的重点工作。我们很幸运能够建立在 DFT 社区创建的卓越基础上，并感谢众多研究人员和开发者的努力，他们正在帮助将 Skala 集成到科学家日常使用的软件平台中。

聚焦：AI 驱动的体验

微软研究协作者体验

通过我们的 AI 驱动体验，深入了解微软的研究工作

立即开始

/.msr-promo__content

/.msr-promo__inner-wrap

在新标签页中打开

/.msr-promo

从社区发布到原生集成

在与 Thomas D. Kühne 教授团队（位于先进系统理解中心 CASUS（在新标签页中打开））的合作下，Skala 已成功集成到开源软件 CP2K（在新标签页中打开）中。拥有超过 25 年开发历史的 CP2K 是 DFT 模拟的强大工具，尤其擅长处理大规模系统和长时间尺度的分子动力学模拟，同时提供丰富的高精度电子结构方法组合。Skala 扩展了 CP2K 的可能性边界，在保持大规模模拟所需计算效率的同时实现了 DFT 精度的显著提升。我们期待看到 CP2K 的规模和多功能性与 Skala 不断提升的精度相结合，将在未来几年推动新的科学应用和发现。

后续还有更多进展。我们正与活跃的开发者社区合作，将 Skala 集成到开源软件 Psi4（在新标签页中打开）中，这是分子电子结构研究的重要平台。结合基于 PySCF 的 Skala 社区版，这将使 Skala 在三个广泛使用的开源量子化学软件包中实现可用性。

除了开源软件，我们还与 FHI-aims（在新标签页中打开）、ORCA（在新标签页中打开）和 VASP（在新标签页中打开）的主要开发者紧密合作，目标是让 Skala 在计算化学和材料科学领域主流软件平台上实现广泛可用性。

跨实现验证精度：以 CP2K 为例

对任何新实现而言，彻底的测试都是必不可少的。我们希望确保 Skala 在不同代码和计算环境下都能提供一致的精度。与 CP2K 团队合作，我们开发了一套全面的集成测试套件，用于验证 Skala 能够产生数值正确且可靠的结果。我们特别感谢 CASUS 团队，他们在计算方法数值验证方面的深厚专业知识，对测试框架的设计和验证起到了关键作用。

Figure 2: 与高精度参考值相比，GMTKN55代表性子集的有符号误差，比较了CP2K和PySCF中Skala-1.1的实现，尽可能使用数值设置匹配。两种实现在整个子集中的一致性误差小于0.1 kcal/mol MAD。

CP2K中Skala的实现、验证策略和测试基础设施的详细讨论，可在我们与CASUS团队的联合论文中找到：“通过GauXC在CP2K中实现机器学习Skala交换-相关泛函的分子实现”。

Skala的实时性能报告

只有当Skala同时具备速度优势时，准确性与广泛可用性才能转化为科学影响力。目前，Skala在CPU（对于20-30个原子以上的分子，开销消失）和GPU上均可实现与半局域meta-GGAs相当的性能，我们致力于在将其集成到电子结构软件生态系统时保持这种效率。

但性能并非固定属性。新的Skala版本、GauXC等库的改进以及硬件特定优化持续提升效率，并揭示进一步提升的潜在机会。要捕捉这些进展，仅靠单一基准快照是不够的。

为提供透明且最新的Skala性能视图，我们将发布一个基准测试框架，并附带一份实时性能报告（在新标签页中打开），该报告将在新优化可用时进行更新。这份报告跟踪不同任务和硬件平台上的性能表现，而框架使软件包开发者能够对各自的Skala实现进行基准测试、验证和改进。

Figure 3: 与流行的metaGGA泛函（r2SCAN）和两个杂化泛函（B3LYP和M06-2X）相比，Skala在GPU和CPU上的计算成本。在GPU上，Skala 1.1的成本与r2SCAN相同，而杂化泛函在轨道数超过约1000的系统中成本更高。在CPU上，Skala对于小系统相比其他泛函存在开销，但在轨道数超过约300的系统中该开销消失。

致谢

Skala是AI for Science领域真正协作努力的成果，我们感谢工程、项目管理和业务运营团队使这项工作成为可能。我们同样感谢MSR Accelerator在推进数据生成工作和加速软件集成方面的合作，这些努力帮助将Skala带给更广泛的科学社区。

相关出版物

Card

基于深度学习的精确且可扩展的交换-相关泛函

精确化学集合：适用于广泛化学空间的耦合簇原子化能

通过GauXC在CP2K中实现机器学习Skala交换-相关泛函的分子实现

作者介绍

Card column wrapper

Card body

Sebastian Ehlert

高级研究员

Card footer

了解更多

Stefano Battaglia

Thijs Vogels

高级研究软件工程师

Jan Hermann

首席研究经理

Jens Wehner

高级软件工程师

Giulia Luise

Klaas Giesbertz

Chin-Wei Huang

Aaron Kaplan

Kate Milton

高级研究工程师

Stephanie Marisa Lanius

高级数据工程师

Derk Kooi

P. Bernát Szabó

Gregor Simm

Rianne van den Berg

高级首席研究经理

Paola Gori Giorgi

研究领域

/think

• 人工智能

相关项目

• 密度泛函理论

相关实验室

• 微软研究院人工智能科学