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
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分子体系的原子化能研究量评估中,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基准测试院推中,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 的设出 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(BSkJ) 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al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a: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深度,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。该模型的学习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,便于进行高效的的交批量 SCF 计算。
项目:https://github.com/microsoft/skala?tab=readme-ov-file
划重点:&n换 bsp;
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。
Skal关联a 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。
- ·标签: realme 真我Neo8 OPPO商城 肯德基疯狂星期四
- ·标签: 苹果 iPhone17 MacBookNeo 蒂姆·库克
- ·关于构建数据仓库的几个问题
- ·标签: 禾赛科技 激光雷达 ADAS 机器人激光雷达
- ·OpenAI 修复 ChatGPT 漏洞,防止用户 Gmail 数据被盗取
- ·消息称谷歌即将在 Gemini 和 API 上发布 VEO 3.1 版本
- ·无人驾驶服务 “AmiGo” 正式落地瑞士
- ·SaaS备份:一种更可扩展的方式来获取云应用程序数据
- ·野生螃蟹的寿命有多长
- ·AWS Panorama是否会为计算机视觉游戏带来新的面貌?
- ·标签: 原神 米哈游 原神·FES 盗窃案
- ·Yann LeCun:我是卷积神经网络之父,但也被它的专利卡过脖子
- ·标签: 马蜂窝 AI旅行助手 2026人工智能+旅游趋势报告 智能体
- ·上海发布"AI+制造"实施方案,要求AI模型掌握物理规律和工业流程推理能力
- ·微软官宣将于美东时间9月22日举行新品发布会
- ·数据仓库技术教程:万字详解整个数据仓库建设体系
