que paso
Microsoft La investigación anunció Skala 1.1, un funcional de correlación de intercambio de aprendizaje profundo para la teoría del funcional de densidad. La compañía dice que el modelo se entrenó con 2,5 veces más datos que la primera versión pública, mejora los resultados en varias tareas de simulación molecular y está disponible en CP2K. Se están realizando integraciones con Psi4, FHI-aims, ORCA y VASP, junto con un punto de referencia activo para rastrear el rendimiento en software y hardware.
Microsoft La investigación publicó el anuncio el 20 de agosto de 2026, describiendo Skala 1.1 como la última versión de una función de correlación de intercambio de aprendizaje profundo destinada a mejorar la teoría funcional de densidad, o DFT. DFT se utiliza para aproximar la estructura electrónica en cálculos relacionados con química, materiales, catálisis, tecnologías energéticas y descubrimiento de fármacos. La fuente dice que Skala sigue un modelo de mejora continua en el que cada versión pretende reemplazar a la anterior preservando aproximadamente el mismo costo computacional práctico. Esas descripciones son afirmaciones realizadas por Microsoft Research; la fuente proporcionada no incluye confirmación independiente de evaluadores externos.
La compañía informa que Skala 1.1 se entrenó con 2,5 veces más datos que la primera versión pública de Skala. Microsoft dice que los datos adicionales de la Microsoft Research Accurate Chemistry Collection agregaron categorías que incluyen afinidades electrónicas y grupos no covalentes, aumentando tanto la cantidad como la diversidad del conjunto de entrenamiento. Según la fuente, el modelo actualizado mejora el rendimiento en termoquímica del grupo principal, cinética de reacción y predicción de estructuras moleculares, al tiempo que produce densidades de electrones, momentos dipolares y geometrías moleculares precisas. El anuncio no proporciona una descripción completa de los datos de capacitación, su licencia o los recursos computacionales utilizados para crear el modelo.
En el conjunto de pruebas GMTKN55, que la fuente describe como que cubre 55 categorías de problemas químicos, Microsoft informa un error promedio ponderado de 2,8 kilocalorías por mol. Dice que Skala 1.1 ocupó el primer lugar en 32 categorías y superó a los líderes globales, incluidos los funcionales híbridos separados por rango, mientras operaba al costo de un funcional meta-GGA semilocal. En una verificación de implementación separada, Microsoft dice que los resultados de CP2K y PySCF coincidieron dentro de 0,1 kilocalorías por mol de desviación absoluta media en un subconjunto representativo de GMTKN55, con un valor atípico que involucra un sistema radical difícil. El material suministrado no verifica de forma independiente estas cifras ni muestra la metodología de comparación completa.
El anuncio de acceso tiene dos partes. Skala se lanzó anteriormente a través de una edición comunitaria de código abierto basada en GPU4 PySCF e integrada con ASE, según Microsoft. La compañía ahora dice que Skala está disponible en el paquete CP2K de código abierto luego de la colaboración con el Centro para la Comprensión de Sistemas Avanzados, mientras continúa el trabajo en Psi4. Microsoft también dice que está trabajando con desarrolladores de FHI-aims, ORCA y VASP, pero describe esos esfuerzos como integraciones en progreso en lugar de disponibilidad completa. Un informe de rendimiento de vida y arnés de evaluación comparativa está destinado a realizar un seguimiento de los lanzamientos sucesivos en todos los paquetes y plataformas de hardware.
Lea la fuente principal: microsoft.com ↗
Por qué es importante
La teoría del funcional de densidad se utiliza ampliamente para estimar propiedades moleculares y materiales, pero tradicionalmente ha sido difícil equilibrar la precisión y el costo computacional. Si los resultados de referencia informados por Microsoft se transfieren entre implementaciones y cargas de trabajo prácticas, Skala podría brindar a los investigadores acceso a cálculos de mayor precisión sin el costo total de algunas funciones híbridas. El anuncio es importante principalmente porque combina una actualización del modelo con un acceso más amplio al software y un seguimiento del rendimiento reproducible.
La importancia técnica es el intento de reducir un compromiso de larga data en los cálculos de estructuras electrónicas. Los métodos más precisos pueden resultar costosos, lo que limita el tamaño o la duración de las simulaciones. La afirmación central de Microsoft es que Skala 1.1 alcanza la precisión asociada con funciones híbridas globales más costosas al tiempo que conserva el perfil computacional de un meta-GGA semilocal. Si se reproduce de forma independiente, esa combinación podría permitir a algunos investigadores ejecutar cálculos más precisos a una escala que de otro modo requeriría compromisos en el tamaño del sistema, el tiempo de simulación o el hardware.
El acceso a través de paquetes de química establecidos podría ser tan importante como el modelo mismo. Los investigadores suelen crear flujos de trabajo en torno a códigos de estructuras electrónicas particulares porque esos paquetes admiten diferentes métodos, tamaños de sistemas y formas de simulación molecular o de materiales. Microsoft dice que CP2K es especialmente adecuado para sistemas a gran escala y dinámicas moleculares a largo plazo, y que Skala se está incorporando a otras plataformas ampliamente utilizadas. Una integración nativa más amplia podría reducir la necesidad de que los investigadores reconstruyan los flujos de trabajo en torno a una implementación separada, aunque el anuncio no cuantifica el esfuerzo de instalación, la aceptación de los usuarios o el grado de paridad de funciones entre los paquetes.
Los resultados informados podrían ser relevantes para áreas científicas donde las energías y estructuras moleculares aproximadas guían las decisiones sobre qué experimentos o cálculos de mayor precisión realizar. Cálculos más rápidos o más precisos podrían ayudar a seleccionar moléculas, materiales o vías de reacción candidatos. Ese es un beneficio potencial de la investigación, no un resultado establecido por este anuncio: Microsoft proporciona resultados comparativos y de implementación, pero no documenta un nuevo medicamento, material, proceso industrial o descubrimiento validado experimentalmente producido con Skala 1.1.
El Living Benchmark también aborda un problema práctico en la evaluación del software científico. El rendimiento puede cambiar cuando cambia un modelo, biblioteca numérica, compilador, plataforma de hardware o implementación. Un informe actualizado continuamente podría hacer que esos cambios sean más fáciles de comparar que un único resultado temporal publicado. Su valor dependerá de si el arnés es suficientemente transparente y si las comparaciones utilizan cargas de trabajo representativas, requisitos de precisión consistentes y hardware claramente informado. La fuente anuncia el recurso pero no proporciona suficiente información aquí para evaluar su cobertura o gobernanza.
Qué ver a continuación
Las principales preguntas sin respuesta son si los investigadores independientes reproducen la precisión informada, cómo se desempeña Skala fuera de GMTKN55 y el subconjunto de pruebas citado, y cuándo las integraciones planificadas serán ampliamente utilizables. El benchmark vivo puede proporcionar evidencia útil si incluye detalles transparentes de hardware, versión de software y carga de trabajo a lo largo del tiempo. La fuente no establece descubrimientos en el mundo real, niveles de adopción, términos de licencia para todos los paquetes o rendimiento para cada tamaño y química del sistema.
La replicación independiente debería ser la primera prueba. El anuncio proviene de Microsoft Research, la organización que desarrolla Skala, y todas las afirmaciones de precisión y rendimiento en el material suministrado provienen de esa fuente.
Los investigadores deberán confirmar los resultados del GMTKN55, inspeccionar el tratamiento de casos difíciles como los radicales y determinar si el error promedio ponderado de 2,8 kilocalorías por mol informado es comparable en las mismas configuraciones utilizadas para los funcionales competitivos. Los resultados de conjuntos de puntos de referencia adicionales ayudarían a mostrar si las ganancias se generalizan más allá de la evaluación informada.
La coherencia en la implementación es otra cuestión clave. Microsoft informa que CP2K y PySCF coincidieron dentro de una desviación absoluta media de 0,1 kilocalorías por mol en un subconjunto representativo, pero eso no es lo mismo que demostrar un comportamiento idéntico en todos los sistemas, conjuntos de bases, configuraciones de convergencia o configuraciones de hardware compatibles. Se debe observar la finalización, documentación, compatibilidad de versiones y pruebas reproducibles de la integración planificada de Psi4 y el trabajo que involucra a FHI-aims, ORCA y VASP. La disponibilidad puede diferir según el paquete y la fuente no especifica una fecha de lanzamiento común para todas las integraciones.
Las afirmaciones de rendimiento deben interpretarse según la carga de trabajo. Microsoft dice que Skala tiene un rendimiento comparable a los meta-GGA semilocales en CPU y GPU, que el costo de la GPU coincide con r2SCAN en la comparación citada y que la sobrecarga de la CPU desaparece para moléculas de más de 20 a 30 átomos o sistemas de más de 300 orbitales. Estas son comparaciones informadas por las fuentes, no garantías universales. Los investigadores necesitarán tiempos para sus propios tamaños moleculares, hardware, pilas de software y tipos de simulación, especialmente porque los sistemas pequeños pueden tener gastos generales y diferentes paquetes pueden escalar de manera diferente. Finalmente, el informe de rendimiento vivo debería revelar si las versiones posteriores de Skala mejoran la precisión sin crear costos ocultos o inestabilidad. La fuente dice que las nuevas versiones y optimizaciones en bibliotecas como GauXC pueden cambiar la eficiencia y que el punto de referencia seguirá este progreso. Las incógnitas importantes incluyen los acuerdos de licencia y soporte del modelo en cada paquete, el mantenimiento a largo plazo de las integraciones, la variedad de entornos químicos representados en los datos de entrenamiento y si el método sigue siendo confiable cuando se usa para decisiones fuera de las condiciones de referencia. Aún no se ha establecido ninguna adopción, impacto industrial o descubrimiento confirmado experimentalmente.
