微軟研究院 AI for Science 團隊正式開源了 Skala-1.1 交換關聯泛函，這是其追求密度泛函理論（DFT）通用泛函道路上的關鍵一步。該模型在涵蓋主族熱化學、動力學和非共價相互作用的 GMTKN55 基準測試中，取得了 2.8 kcal/mol 的誤差，精度超越了當前最先進的雜化泛函，同時計算成本仍保持在半局域 DFT 的較低水平。

傳統上，提升 DFT 泛函精度依賴於在“雅各布天梯”上引入越來越複雜的、手工設計的非局域特徵，這不可避免地推高了計算開銷。Skala-1.1 徹底改變了這一範式。它採用了一種可擴展的神經網絡架構，僅使用計算成本低廉的輸入特徵——如三維網格上的電子密度及衍生元廣義梯度近似（meta-GGA）量，通過在一個更粗糙的輔助網格上進行非局域消息傳遞，結合共享的局域層，端到端地學習並預測交換關聯能。

支撐這一性能的是前所未有的訓練數據規模。模型在一個包含高度精確的耦合簇理論能量標籤的數據集上訓練，其中最大的子集聚焦於原子化能，由微軟與新英格蘭大學合作生成，並作為 Microsoft Research Accurate Chemistry Collection (MSR-ACC) 的一部分發布。此外，訓練數據還補充了覆蓋構象異構體、電離勢、電子親和能、質子親和力、非共價相互作用、扭曲平衡幾何構型及基元反應等內部生成數據集，以及少量公開高精度數據。

該模型由 OneDFT 團隊開發，核心貢獻者包括 Chin-Wei Huang、Deniz Gunceler、Giulia Luise 等多名研究人員。代碼以 MIT 許可證在 Hugging Face 上發佈，提供了基於 PySCF 和 GPU4PySCF 的自洽場（SCF）計算實現，可在 CPU 和 GPU 上運行。團隊還提供了模型的追蹤版本，便於其他開源 SCF 代碼（如通過 GauXC）集成。

從產業視角看，Skala-1.1 的意義在於打破了“精度越高、成本越高”的歷史權衡。它證明了直接從數據中學習電子結構的非局域表示，可以繞過對手工設計昂貴特徵的依賴。這不僅是量子化學基礎方法的進步，也為大規模、高精度的材料模擬和藥物設計開闢了更高效的計算路徑。不過，團隊明確指出，該模型目前並非生產級工具，其訓練和測試覆蓋的元素範圍主要為氫至氙（H-Xe），並延伸至鉛（Pb）和鉍（Bi），使用者需具備量子化學專業知識，並建議在應用前進行進一步測試。