微软Skala 1.1加速进入主流计算化学工具
微软升级神经网络化学泛函，在提高计算精度的同时接入科研人员现有的分子模拟软件体系。
用神经网络升级计算化学基础工具
微软研究院发布Skala 1.1，这是一款升级后的深度学习交换关联泛函，目标是在不承担传统混合泛函高昂计算成本的情况下，提高密度泛函理论的预测精度。密度泛函理论广泛应用于化学、材料科学、催化、能源技术和药物发现中的电子结构模拟。
新版使用的参考数据量是上一版本的2.5倍，并增加了电子亲和能和非共价分子簇等数据类别。微软报告称，Skala 1.1在GMTKN55基准上的加权平均误差为每摩尔2.8千卡。该基准覆盖热化学、反应能垒和非共价相互作用等55类问题；Skala在其中32类取得最低误差，同时还能预测电子密度、偶极矩与分子几何结构。
微软称，其精度超过领先的全局混合泛函，而计算需求仍接近半局域meta-GGA方法。测试中，Skala在GPU上的成本与r2SCAN大致相当；分子体系增大后，其CPU额外开销会逐渐消失。不过，这些仍是研究基准，尚不能代表所有工业任务中的实际表现。
关键进展是进入现有科研流程
这次发布的重点不只有跑分。Skala现已接入开源模拟软件CP2K，微软的验证显示，CP2K与PySCF实现给出的结果高度一致。团队还在推进对Psi4、FHI-aims、ORCA和VASP的支持，这些工具已经深度嵌入计算化学与材料研究流程。
微软同时发布了基准测试框架和持续更新的性能报告，方便软件开发者比较不同硬件与实现方案。模型及推理代码继续采用MIT许可证开放。
这项工作的意义在于，许多“AI科学”成果仍停留在实验系统中，难以进入科学家每天使用的软件。Skala 1.1既给出了可量化的精度提升，也开始融入成熟的模拟环境。如果独立研究者能够复现其速度与精度平衡，持续更新的学习型泛函有望替代不断累积的静态近似方法，并缩短分子和材料的计算筛选周期。