skala-1.1

Skala 1.1 模型

模型用途

Skala-1.1 是一个神经网络的密度泛函理论交换-相关泛函，由微软研究院科学人工智能团队开发。该模型旨在追求通用的密度泛函，用于计算化学中的电子结构模拟。

主要能力

该模型采用深度学习方法，使用可扩展的神经网络架构，仅使用廉价的输入特征来学习必要的非局部表示。模型在三维网格上获取电子密度和元广义梯度近似（meta-GGA）量作为输入特征，通过可扩展的非局部消息传递机制预测交换-相关能量。在 GMTKN55 主族化学基准测试集上达到 2.8 kcal/mol 的误差，超越了最先进的混合泛函，同时保持了半局部密度泛函的计算成本优势。在 W4-17 基准测试集上，原子化能量的预测达到化学精度（约 1 kcal/mol 平均绝对误差）。

输入输出

输入：三维网格上的电子密度及相关的 meta-GGA 特征量。输出：交换-相关能量的端到端数据驱动预测。

运行要求

模型包含约 38.5 万个可训练参数。运行需要 PySCF 和 GPU4SCF 框架支持，可在 CPU 和 GPU 上运行。也可通过 GauXC 集成到其他自洽场计算程序中。最大测试系统为 180 个原子（使用 def2-TZVP 基组，约 5000 个轨道），在 Eadsv5 系列虚拟机上运行。更大系统可能面临内存不足问题。

基本用法

• 用于计算反应中所有化合物的总能量，通过自洽场计算评估反应能量差。2. 用于计算分子的总能量。需要注意的是，与所有密度泛函一样，能量差的预测比单个分子的总能量更为可靠。3. 模型的预测必须作为自洽场程序的一部分进行，而非给定固定密度的一次性计算。

限制

• 结果解读需要量子化学专业知识。2. 模型训练数据包括原子化能量、构象质、质子亲和力、电离势、电子亲和力、反应路径、扭曲平衡几何结构和非共价相互作用，以及少量原子和过渡金属原子总能量。已在 W4-17 和 GMTKN55 基准上测试了训练集外的泛化能力。3. 训练数据覆盖元素 H 至 Xe，测试数据额外包含 Pb 和 Bi。4. 该模型非生产级模型，建议在应用于研究前进行进一步测试。

许可证

MIT 许可证

版权声明：Microsoft Corporation

特此免费授予获得本软件及相关文档文件（"软件"）副本的任何人不受限制地处理本软件的权利，包括但不限于使用、复制、修改、合并、发布、分发、再许可和/或出售本软件副本的权利，并允许获得本软件的人员在满足以下条件的情况下这样做：上述版权声明和本许可声明应包含在本软件的所有副本或重要部分中。本软件按"原样"提供，不提供任何形式的明示或暗示保证，包括但不限于对适销性、特定用途适用性和非侵权的保证。在任何情况下，作者或版权持有人均不对任何索赔、损害或其他责任承担责任，无论是在合同、侵权或其他诉讼中，均由本软件或本软件的使用或其他交易引起或与之相关。