微软研究院 AI for Science 团队正式开源了 Skala-1.1 交换关联泛函，这是其追求密度泛函理论（DFT）通用泛函道路上的关键一步。该模型在涵盖主族热化学、动力学和非共价相互作用的 GMTKN55 基准测试中，取得了 2.8 kcal/mol 的误差，精度超越了当前最先进的杂化泛函，同时计算成本仍保持在半局域 DFT 的较低水平。

传统上，提升 DFT 泛函精度依赖于在“雅各布天梯”上引入越来越复杂的、手工设计的非局域特征，这不可避免地推高了计算开销。Skala-1.1 彻底改变了这一范式。它采用了一种可扩展的神经网络架构，仅使用计算成本低廉的输入特征——如三维网格上的电子密度及衍生元广义梯度近似（meta-GGA）量，通过在一个更粗糙的辅助网格上进行非局域消息传递，结合共享的局域层，端到端地学习并预测交换关联能。

支撑这一性能的是前所未有的训练数据规模。模型在一个包含高度精确的耦合簇理论能量标签的数据集上训练，其中最大的子集聚焦于原子化能，由微软与新英格兰大学合作生成，并作为 Microsoft Research Accurate Chemistry Collection (MSR-ACC) 的一部分发布。此外，训练数据还补充了覆盖构象异构体、电离势、电子亲和能、质子亲和力、非共价相互作用、扭曲平衡几何构型及基元反应等内部生成数据集，以及少量公开高精度数据。

该模型由 OneDFT 团队开发，核心贡献者包括 Chin-Wei Huang、Deniz Gunceler、Giulia Luise 等多名研究人员。代码以 MIT 许可证在 Hugging Face 上发布，提供了基于 PySCF 和 GPU4PySCF 的自洽场（SCF）计算实现，可在 CPU 和 GPU 上运行。团队还提供了模型的追踪版本，便于其他开源 SCF 代码（如通过 GauXC）集成。

从产业视角看，Skala-1.1 的意义在于打破了“精度越高、成本越高”的历史权衡。它证明了直接从数据中学习电子结构的非局域表示，可以绕过对手工设计昂贵特征的依赖。这不仅是量子化学基础方法的进步，也为大规模、高精度的材料模拟和药物设计开辟了更高效的计算路径。不过，团队明确指出，该模型目前并非生产级工具，其训练和测试覆盖的元素范围主要为氢至氙（H-Xe），并延伸至铅（Pb）和铋（Bi），使用者需具备量子化学专业知识，并建议在应用前进行进一步测试。