扩大Skala使用范围，加速预测性DFT进程

微软研究院近日发布了深度学习密度泛函理论（DFT）工具Skala的1.1版本，这一更新标志着计算化学模拟领域向“预测性”迈出了实质性一步。Skala 1.1的训练数据量是上一版本的2.5倍，在热化学、反应动力学和分子结构预测等关键模拟任务上，其准确度显著提升。更值得关注的是，Skala现已集成到CP2K中，并正在接入Psi4、FHI-aims、ORCA和VASP等主流电子结构计算软件，这意味着全球依赖这些代码进行日常科研和工业计算的团队，将能直接使用这一“下一代”DFT精度。 为什么这件事值得关注： DFT是化学、材料科学、催化、能源技术和药物研发等领域计算模拟的“发动机”，但传统DFT方法在精度和计算成本之间长期存在权衡。Skala采用深度学习构建交换关联泛函，能以meta-GGA泛函的计算成本，达到甚至超越最昂贵的全局杂化泛函的精度。在广泛使用的GMTKN55基准测试中，Skala 1.1在55个类别中拿下32个“金牌”，覆盖了从主族热化学到非共价相互作用的广泛化学问题。对于中国跨境电商卖家和AI从业者而言，这一进展的潜在影响在于：药物发现、新材料筛选等依赖计算模拟的行业，其研发周期和成本有望大幅压缩，进而影响相关产品的供应链和上市速度。 核心变化： 微软研究院还引入了一个“活基准”（living benchmark），持续追踪Skala后续版本的性能表现，为不同软件包和硬件平台上的实现提供透明、更新的参考。这一做法旨在帮助社区量化并加速向更高精度和效率的进步。与传统的“泛函动物园”模式不同——新泛函不断涌现但旧泛函不退役——Skala的设计哲学是每个新版本都取代旧版本，随着数据、模型架构和训练策略的更新，模型持续进化。 对用户的影响： 对于使用CP2K、Psi4、FHI-aims、ORCA和VASP等软件的研究人员和企业研发团队来说，Skala的集成意味着无需改变现有工作流程，即可获得更高精度的DFT计算能力。这尤其利好那些在电池材料、催化剂设计、药物分子筛选等领域的中国出海企业——它们可以在不增加硬件投入的情况下，提升计算模拟的可靠性，加速产品迭代。微软研究院表示，这一系列进展标志着计算化学模拟向“预测性”和“可及性”融合的未来又迈进了一步。