拓宽Skala访问权限，加速预测性DFT之路

一览 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：其训练数据量是前代的 2.5 倍，在关键分子模拟挑战（包括热化学、反应动力学和分子结构预测）中提供了显著更高的精度。Skala 现已可在 CP2K 中使用，并正在集成到 Psi4、FHI-aims、ORCA 和 VASP 中，将下一代 DFT 精度带给日常依赖这些代码的社区。微软研究院还推出了一个动态基准（living benchmark），用于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迈进。这些进展共同标志着迈向计算化学模拟既具预测性又融入所有相关科学与工业工作流这一未来的又一里程碑。

将密度泛函理论（DFT）提升至预测性精度是一个持续的过程，而非一次性的突破。自推出 Skala（我们的深度学习交换关联泛函）以来，我们持续在两条互补的战线上推进：提升精度和扩大计算化学生态系统中的可及性。

图 1：Skala-1.1 在热化学、动力学和非共价相互作用方面的精度。以 meta-GGA 泛函的计算成本，Skala 1.1 超越了最佳且最昂贵的全局杂化泛函，在广泛使用的 GMTKN55 基准（涵盖多种化学问题）的 55 个类别中，有 32 个类别排名第一（获得金牌）。

在精度方面，Skala-1.1 的发布首次展示了 Skala 所依托的持续改进范式。该更新模型基于比 Skala 首个公开版本多 2.5 倍的数据进行训练，在分子模拟的关键挑战（包括主族热化学、反应动力学和分子结构预测）中提供了显著提升的性能。

但仅有精度是不够的。DFT 是涵盖化学、材料科学、催化、能源技术和药物发现等广泛科学与工业工作流的计算引擎。要产生实际影响，先进泛函必须在科学家已开展计算的地方可及。这就是我们还在通过与领先电子结构软件开发者合作来扩展 Skala 生态系统的原因。今天，我们宣布 Skala 已在 CP2K 中可用，并正在集成到 Psi4、FHI-aims、ORCA 和 VASP 中，将下一代 DFT 精度带给日常依赖这些代码的社区。

在集成工作之外，我们还推出了一个动态基准，用于跟踪后续不断优化的 Skala 版本的计算性能。通过为跨软件包和硬件平台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迈进。这些进展共同标志着迈向计算化学模拟既具预测性又可在更广泛相关科学与工业工作流中访问这一未来的又一里程碑。

想了解更多关于 Skala 的信息以及 DFT 为何在 in-silico 发现中扮演如此重要的角色？请阅读我们的首篇博客文章。

Skala 作为持续改进的泛函

与传统的“泛函动物园”（新泛函不断累积而不取代旧泛函）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不断改进。Skala-1.1 是这一方法的最新体现。它在 GMTKN55 上实现了 2.8 kcal/mol 的加权平均误差，该基准套件包含 55 类化学问题，涵盖热化学、反应势垒和非共价相互作用。这一精度水平超越了当前领先的全局（范围分离）杂化泛函，同时保留了半局域泛函的效率。除能量外，Skala-1.1 还提供了高精度的电子密度、偶极矩和分子几何结构。

这些进展得益于微软研究院高精度化学数据集（MSR-ACC）的重大扩展，这是我们使用昂贵的波函数方法生成的大规模高精度量子化学参考数据集合。对于 Skala-1.1，我们新增了类别，包括电子亲和能和非共价团簇，增加了训练数据的规模，更重要的是增加了多样性。这种数据驱动的方法使 Skala 能够随着每一代系统性地改进，使我们更接近一个真正可扩展且具有预测性的 DFT 框架。

在科学家工作的地方可用

要充分实现 Skala 持续演进 DFT 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要软件包中。反过来，这将建立加速 Skala 持续开发所必需的快速反馈循环。

我们首先通过开源社区版本提供了 Skala，该版本基于 (GPU4) PySCF 构建，并与 ASE 集成。这使研究人员能够以最小的工作量评估和应用 Skala，同时受益于高度优化的 CPU 和 GPU 性能。但没有任何单一软件包能够满足每个应用或研究社区的需求。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，每个代码都经过数十年的发展以应对特定的科学和工业挑战。因此，将 Skala 引入这一更广泛的生态系统是过去一年的主要工作重点。

我们很幸运能够建立在 DFT 社区创造的卓越基础之上，并感谢许多研究人员和开发者帮助 Skala 在科学家日常使用的软件平台中可用。

视频系列 On Second Thought：一个与 Sinead Bovell 合作的视频系列，围绕每个人都在问的 AI 问题展开。借助微软各领域的专家声音，我们剖析这一快速变化技术的张力与前景，探索正在演进的内容和可能性。探索该系列

从社区发布到原生集成

与 Thomas D. Kühne 教授团队（先进系统理解中心，CASUS）合作，Skala 已成功集成到开源 CP2K 包中。经过 25 多年的发展，CP2K 是 DFT 模拟的强大工具，特别适用于大规模系统和长时间尺度分子动力学，同时也提供丰富的高精度电子结构方法组合。Skala 扩展了 CP2K 中可能性的边界，在 DFT 精度上实现了阶跃式提升，同时保留了大规模模拟所需的计算效率。我们期待看到 CP2K 的规模和多功能性与 Skala 持续改进的精度相结合，在未来几年催生新的科学应用和发现。

还有更多进展。与其活跃的开发者社区一起，我们正在积极将 Skala 集成到开源 Psi4 包中，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包中可用。在开源软件之外，我们正在与 FHI-aims、ORCA 和 VASP 的领先开发者密切合作，目标是使 Skala 在计算化学和材料科学中使用的主要软件平台上广泛可及。

跨实现验证精度：以 CP2K 为案例

任何新实现都需要彻底测试。我们希望确保 Skala 在不同代码和计算设置下提供一致的精度。与 CP2K 团队一起，我们开发了一套全面的集成测试，以验证 Skala 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设计和验证这一测试框架起到了关键作用。

图 2：相对于高精度参考值的符号误差，针对 GMTKN55 的代表性子集，比较了 Skala-1.1 在 CP2K 和 PySCF 中的实现，使用尽可能匹配的数值设置。两种实现在整个子集上的 MAD 差异在 0.1 kcal/mol 以内，唯一一个离群点对应一个特别具有挑战性的自由基体系。

关于 Skala 在 CP2K 中的实现、验证策略和测试基础设施的详细讨论，请参阅我们与 CASUS 团队的联合论文：“通过 GauXC 在 CP2K 中实现机器学习 Skala 交换关联泛函的分子实现”。

Skala 的动态性能报告

精度和广泛可用性只有在 Skala 也足够快的情况下才能转化为科学影响。如今，Skala 在 CPU（对于超过 20-30 个原子的分子，开销消失）和 GPU 上都能提供与半局域 meta-GGA 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的过程中保持这一效率。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都在持续提升效率，并揭示进一步优化的新机会。捕捉这一进展需要的不只是一次基准快照。

为了提供 Skala 性能的透明且最新视图，我们发布了一个基准测试工具以及一份动态性能报告，该报告将随着新优化的出现而更新。该报告跟踪跨多种任务和硬件平台的性能，而工具则使包开发者能够对其自身的 Skala 实现进行基准测试、验证和改进。

图 3：Skala 在 GPU 和 CPU 上的计算成本，与流行的 metaGGA 泛函（r2SCAN）和两种杂化泛函（B3LYP 和 M06-2X）进行比较。在 GPU 上，Skala 1.1 的成本与 r2SCAN 相同，而杂化泛函在系统超过约 1000 个轨道时变得更昂贵。在 CPU 上，对于较小系统，Skala 相对于其他泛函有开销，但在系统超过约 300 个轨道时开销消失。

致谢

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

这篇题为“扩大 Skala 的可及性为预测性 DFT 开辟更快路径”的文章首发于 Microsoft Research。