Le laboratoire de recherche Microsoft a récemment publié un fonctionnel d'échange-association (XC) basé sur l'apprentissage profond appelé Skala, conçu pour fournir une solution de calcul efficace pour la théorie des fonctionnels de densité de Kohn–Sham (DFT).
Skala apprend les effets non locaux, ce qui permet d'atteindre une efficacité de calcul comparable aux fonctionnels meta-GGA actuels, tout en atteignant un niveau de précision équivalent à celui des fonctionnels mixtes. Dans l'évaluation de l'énergie d'atomisation des systèmes moléculaires W4-17, le MAE moyen de Skala est de 1,06 kcal/mol, atteignant même 0,85 kcal/mol sur un sous-ensemble à référence unique ; dans le test de référence GMTKN55, le WTMAD-2 de Skala est de 3,89 kcal/mol. Ces résultats montrent que Skala est compétitif avec les meilleurs fonctionnels mixtes en termes de précision.
Le but de la conception de Skala est d'assurer des calculs thermochimiques strictement des groupes principaux, et non d'offrir dès le début un fonctionnel universel adapté à tous les domaines. Le modèle n'a pas essayé d'apprendre les effets de dispersion, et la version initiale utilise toujours une correction de dispersion D3 (BJ) fixe. Cette outil est particulièrement adapté aux domaines de la chimie moléculaire des groupes principaux nécessitant un coût semi-local et une précision mixte, tels que l'énergie de réaction à haut débit (ΔE), l'estimation des barrières de réaction, le classement de la stabilité des conformations / radicaux libres et les prédictions géométriques et dipolaires.
L'architecture et le processus d'entraînement de Skala se divisent en deux étapes : d'abord un pré-entraînement sur la densité B3LYP pour extraire les étiquettes XC du niveau d'énergie de la fonction d'onde élevée ; ensuite une optimisation fine au sein de la boucle SCF, en utilisant sa propre densité sans passer par la rétropropagation pour la boucle SCF. L'entraînement du modèle de Skala repose sur un ensemble de données à grande échelle et de haute qualité comprenant environ 80 000 énergies totales d'atomisation de haute précision (MSR-ACC/TAE).
Pour assurer l'efficacité, la complexité de calcul de Skala reste à O(N³) et a été optimisée pour l'exécution sur GPU. Le code et la bibliothèque publiés du modèle sont disponibles sur le laboratoire Azure AI Foundry et GitHub, permettant aux utilisateurs de les exécuter directement sur les plateformes PySCF/ASE et GauXC, facilitant ainsi des calculs SCF rapides par lots.
Projet : https://github.com/microsoft/skala?tab=readme-ov-file
Points clés :
🌟 Skala a un MAE de 1,06 kcal/mol sur W4-17, de 0,85 kcal/mol sur le sous-ensemble à référence unique, et offre une haute précision.
🛠️ Ce modèle, en apprenant les effets non locaux, a atteint une efficacité de calcul similaire aux fonctionnels meta-GGA actuels, avec une cible axée sur la chimie des groupes principaux.
🚀 Skala est disponible sur le laboratoire Azure AI Foundry et GitHub, et prend en charge des calculs moléculaires efficaces et le partage d'expériences.