Skala: Accurate and scalable exchange-correlation with deep learning：深度学习突破DFT精度-效率权衡，计算化学迎来新范式
2025年6月，Meta FAIR推出Skala，一种基于深度学习的交换关联泛函，在GMTKN55基准上误差2.8 kcal/mol，超越最先进杂化泛函，同时保持半局域DFT的低计算成本。训练数据来自高精度波函数方法，首次实现深度学习泛函的系统性可改进。
Development
- First ReportSkala: Accurate and scalable exchange-correlation with deep learning：深度学习突破DFT精度-效率权衡，计算化学迎来新范式arXiv cs.AI
- Current AssessmentSkala将直接影响药物设计、催化、材料科学等领域，使DFT计算在保持精度的同时可扩展到更大体系（如蛋白质-配体复合物）。Meta开源模型后，可能取代传统泛函成为新默认选择，并推动计算化学软件（如VASP、Gaussian）的更新。Agent Pulse · analysis
Skala通过深度学习学习电子结构的非局域表示，打破了传统DFT中精度与效率的长期权衡。其2.8 kcal/mol的误差接近波函数方法的精度，但计算成本与半局域DFT相当，使大规模高精度计算成为可能。这标志着计算化学从手工设计泛函向数据驱动可改进模型的范式转变。
Skala采用深度神经网络直接学习交换关联能密度，输入为电子密度及其梯度等局域特征，但通过非局域注意力机制捕获远程关联效应。训练数据来自CCSD(T)等高精度波函数方法，规模前所未有。在GMTKN55（主族化学基准）上，Skala误差2.8 kcal/mol，优于B3LYP（~4.5）和ωB97M-V（~3.5），且计算成本与PBE相当。缩放定律表明，随着数据增加，误差持续下降。
Skala将直接影响药物设计、催化、材料科学等领域，使DFT计算在保持精度的同时可扩展到更大体系（如蛋白质-配体复合物）。Meta开源模型后，可能取代传统泛函成为新默认选择，并推动计算化学软件（如VASP、Gaussian）的更新。
建议计算化学软件公司（如Schrödinger、Materials Design）立即评估Skala，并考虑将其集成到产品中。投资关注Meta开源生态中的衍生工具，以及基于Skala的高通量虚拟筛选服务。
关注Skala对过渡金属、激发态、弱相互作用等体系的泛化能力，以及其与现有DFT代码的集成难度。若社区能复现其精度，将加速AI驱动的新材料发现。需注意训练数据偏差对含重元素体系的影响。