被 DFT 困了几十年的那个选择
密度泛函理论（DFT）是计算化学的「工作母机」——材料、催化、电池、药物研发里几乎所有模拟分子背后都是它。但它一直逼人做一道选择题：用便宜的半局域泛函，精度凑合；或用昂贵的杂化泛函，精度好但算力成本高出一个数量级。微软研究院的新版本 Skala 1.1 给出的答案是：这道选择题可以不做了。
Skala 是一个基于神经网络的交换关联泛函——用深度学习模型替换 DFT 核心处那条手工设计的近似。它不从人工公式出发，而是直接从电子密度学习非局域特征。1.1 版本用约为前代 2.5 倍的训练数据，在热化学、反应动力学和分子结构预测这些核心任务上精度进一步提升。
Skala 1.1：跳过「雅各布之梯」的一级
核心卖点一句话就能说清：杂化泛函的精度，半局域泛函的成本。微软报告 Skala 的成本约为标准杂化泛函的 10%、局域杂化的 1%，同时在整个主族化学的通用基准上与最好的杂化泛函持平。
1.1 这次的重心在「普及」：Skala 已集成进开源的 CP2K，并正在接入 Psi4、FHI-aims、ORCA、VASP 这些化学家真正在用的主流软件；同时微软上线了动态基准测试平台，持续追踪各版本 Skala 在算力、精度与效率上的演进，让社区用可复现的数据衡量真实进展，而不是靠一次性宣传。
学出来的泛函，为什么是结构性变化
传统 DFT 走的是「雅各布之梯」——一层层手工设计的近似，每上一级多付算力、换精度。Skala 展示了另一条路：与其手刻特征，不如让网络自己学出哪些特征重要。这个模式很眼熟——计算机视觉里学习特征取代手工描述符，如今被套进了一个快 60 岁的物理理论。
有两个细节让这件事不只是一篇漂亮论文：其一，它开源——社区版放在 GitHub，最新模型可通过 Azure AI Foundry 和 Foundry Labs 使用；其二，动态基准平台把科学软件当产品管线来运营——版本化、持续追踪、可复现。这套基础设施的价值可能不亚于泛函本身。
对科研与产业意味着什么
如果 Skala 的泛化能力经得起更多检验，预测性 DFT 就不再是超算中心的奢侈品：材料发现、催化剂设计、药物早期筛选，都能用过去做一次杂化计算的成本跑完一整套流程，从「模拟一个候选」变成「筛选一千个」。
更深一层，这是 AI for Science 走向中心的信号：模型不再只是分析数据、排序已有设计，而是开始替换一个基础理论里的核心近似。这与 AI 驱动的分子虚拟筛选、自主科研智能体是同一股潮流——模型正从工作流边缘的帮手，变成工作流中心的引擎。
现在可以做什么
对计算化学家：从 GitHub 拉 Skala 社区版，在 CP2K 里拿自己的体系做验证，并盯住基准平台的 1.1 演进。对材料、能源、制药团队：把自己最贵的杂化流程用 Skala 重跑一遍，在自家数据上量一量精度与成本——真正的决策来自这笔账。对做 AI for Science 工具的人：最该抄的是「基准优先」这套做法——可复现、持续追踪的评测，才是把一个有潜力的模型变成可信科研工具的钥匙。
