El Instituto de Investigación de Microsoft ha lanzado recientemente un funcional de aprendizaje profundo llamado Skala, que se enfoca en la teoría del funcional de densidad de Kohn–Sham (DFT), ofreciendo una solución eficiente para cálculos computacionales.
Skala logra aprender efectos no locales, lo que le permite alcanzar una eficiencia computacional comparable a los funcionales meta-GGA actuales, y en términos de precisión puede competir con los funcionales mixtos. En la evaluación de las energías de atomización de los sistemas moleculares W4-17, el error absoluto medio (MAE) alcanzó 1,06 kcal/mol, y en el subconjunto de referencias únicas llegó incluso a 0,85 kcal/mol; en la prueba estándar GMTKN55, el error cuadrático medio ponderado absoluto (WTMAD-2) de Skala fue de 3,89 kcal/mol. Estos resultados muestran que Skala puede competir con los funcionales mixtos de nivel superior en términos de precisión.
El objetivo de Skala es realizar cálculos termodinámicos estrictos de los elementos principales, no proporcionar inicialmente un funcional universal aplicable a todos los campos. El modelo no intenta aprender efectos de dispersión, y en su primera versión sigue utilizando correcciones fijas D3 (BJ). Esta herramienta es ideal para aplicaciones en química molecular de elementos principales que requieren costos semilocalizados y precisión de nivel mixto, como energía de reacción de alta frecuencia (ΔE), estimación de barreras de reacción, clasificación de estabilidad de conformaciones/liberales y predicción de geometrías y dipolos.
La arquitectura y el proceso de entrenamiento de Skala se dividen en dos etapas: primero, se realiza un preentrenamiento en la densidad de B3LYP, extrayendo etiquetas XC de energía de funciones de onda de alto nivel; en segundo lugar, se ajusta finamente el bucle SCF, utilizando la propia densidad de Skala sin necesidad de retropropagación en SCF. El entrenamiento del modelo de Skala se basa en un conjunto de datos amplio y de alta calidad de energías de atomización, incluyendo aproximadamente 80.000 energías totales de atomización de alta precisión (MSR-ACC/TAE).
Para garantizar la eficiencia, la complejidad computacional de Skala se mantiene en O(N³) y está optimizada para ejecutarse en GPU. El código público y el paquete de herramientas del modelo ya están disponibles en el laboratorio Azure AI Foundry y en GitHub, permitiendo a los usuarios ejecutarlo directamente en plataformas como PySCF/ASE y GauXC, facilitando así cálculos SCF eficientes por lotes.
Proyecto: https://github.com/microsoft/skala?tab=readme-ov-file
Resumen importante:
🌟 Skala tiene un MAE de 1,06 kcal/mol en W4-17, y de 0,85 kcal/mol en el subconjunto de referencias únicas, lo que demuestra una alta precisión.
🛠️ Este modelo logra una eficiencia computacional similar a los funcionales meta-GGA actuales al aprender efectos no locales, con un enfoque en la química de los elementos principales.
🚀 Skala está disponible en Azure AI Foundry y GitHub, apoyando cálculos moleculares eficientes y la compartición de experimentos.
