Microsoft Research расширяет доступ к Skala: ускорение предсказательной DFT

Microsoft Research выпустила обновлённую версию Skala 1.1 — нейросетевого функционала для расчётов в теории функционала плотности (DFT). Теперь инструмент доступен в популярных квантово-химических пакетах и сопровождается живым бенчмарком для отслеживания производительности, что ускоряет путь к предсказательным расчётам.

Предсказательное моделирование материалов и химических реакций — ключ к созданию новых лекарств, катализаторов и аккумуляторов. Однако точные квантово-химические расчёты требуют огромных вычислительных ресурсов. Microsoft Research предложила решение: обновлённый функционал Skala 1.1, основанный на глубоком обучении, который обеспечивает большую точность и доступность в экосистеме вычислительной химии. Вместе с релизом компания представила живой бенчмарк, позволяющий отслеживать производительность в реальном времени.

Skala — это нейросетевой обменно-корреляционный функционал, созданный для теории функционала плотности (DFT). DFT — один из самых распространённых методов в квантовой химии, но традиционные функционалы часто страдают от компромисса между точностью и вычислительной стоимостью. Skala использует машинное обучение, чтобы находить баланс, достигая точности, близкой к более дорогим методам, при значительно меньших затратах.

Что нового в Skala 1.1

Версия 1.1 расширяет доступность Skala: теперь он интегрирован с популярными квантово-химическими пакетами, включая PySCF, ASE и GPAW. Это означает, что исследователи могут использовать Skala в своих привычных рабочих процессах без необходимости переписывать код. Ранее Skala был доступен только через собственный интерфейс Microsoft, что ограничивало его применение.

Помимо интеграции, обновлённая версия улучшает точность: модель переобучена на более широком наборе данных, что снижает ошибки для разнообразных молекулярных систем. Кроме того, Microsoft Research запустила живой бенчмарк, который публикует результаты тестов производительности на различных аппаратных платформах. Это позволяет сообществу сравнивать скорость и точность Skala с другими методами и отслеживать улучшения с течением времени.

Предыстория и контекст

Разработка Skala началась в Microsoft Research как часть проекта по применению глубокого обучения к фундаментальным проблемам химии. DFT — основа многих расчётов, но её функционалы, такие как B3LYP или PBE, были разработаны десятилетия назад и имеют известные ограничения. Исследователи давно пытались улучшить их с помощью машинного обучения, но предыдущие попытки часто сталкивались с проблемами обобщения — модели хорошо работали на обучающих данных, но проваливались на новых системах.

Skala решает эту проблему, используя архитектуру нейронной сети, которая учитывает физические ограничения функционалов. Это позволяет модели сохранять предсказательную силу даже для систем, не похожих на обучающие примеры. Выпуск Skala 1.1 с открытым доступом и интеграциями — важный шаг к тому, чтобы такие методы стали стандартом в вычислительной химии.

Чем Skala отличается от традиционных функционалов?

Традиционные функционалы DFT, такие как LDA или GGA, основаны на приближениях, которые не учитывают все нюансы электронного взаимодействия. Skala обучается на данных из высокоточных квантовых расчётов, поэтому может воспроизводить более сложные эффекты, такие как дисперсионные взаимодействия и сильная корреляция. В тестах Microsoft Research Skala достигает точности, сопоставимой с методом coupled cluster (CCSD(T)) — золотым стандартом квантовой химии, но при стоимости, близкой к DFT.

Для пользователей это означает, что они могут получать более надёжные предсказания для систем, где традиционные функционалы ошибаются, например, для молекул с переходными металлами или слабыми связями. При этом затраты на вычисления остаются приемлемыми, что особенно важно для моделирования больших систем, таких как белки или наноматериалы.

Технические детали и производительность

Skala 1.1 представляет собой нейронную сеть, которая принимает на вход электронную плотность и выдаёт обменно-корреляционную энергию. Модель обучена на наборе данных, включающем тысячи молекул и материалов, с использованием эталонных расчётов из базы данных QM7-X и других источников. В новой версии улучшена архитектура сети и расширен обучающий набор, что снизило среднюю ошибку на 15% по сравнению с предыдущей версией.

Что касается производительности, Microsoft Research сообщает, что Skala работает в 5–10 раз медленнее, чем традиционные функционалы GGA, но в 100–1000 раз быстрее, чем методы post-Hartree-Fock. Это делает его практичным для использования в высокопроизводительных вычислениях. Живой бенчмарк, доступный на сайте проекта, показывает результаты на разных GPU и CPU, позволяя исследователям выбрать оптимальное оборудование.

Кого затронет и как

Skala 1.1 будет полезна широкому кругу специалистов: от химиков-теоретиков до материаловедов и фармакологов. В частности, исследователи, занимающиеся поиском новых катализаторов или лекарственных препаратов, смогут проводить более точные расчёты без привлечения суперкомпьютеров. Интеграция с популярными пакетами снижает барьер входа — теперь не нужно быть экспертом в машинном обучении, чтобы использовать Skala.

Для российского и СНГ-сообщества это тоже значимо: многие научные группы используют PySCF и ASE, и теперь они могут легко подключить Skala. Это может стимулировать развитие вычислительной химии в регионе, особенно в области материаловедения и квантовой химии. Кроме того, открытый бенчмарк позволит сравнивать результаты на отечественных вычислительных кластерах.

Что будет дальше

Microsoft Research продолжит развивать Skala, планируя расширение поддержки других квантово-химических пакетов и улучшение точности. В ближайших планах — включение Skala в облачные сервисы Azure Quantum, что сделает его доступным ещё шире. Также ожидается, что живой бенчмарк будет обновляться по мере выхода новых версий и появления новых аппаратных платформ.

В долгосрочной перспективе подобные методы могут полностью изменить подход к квантово-химическим расчётам, сделав их более предсказательными и доступными. Возможно, мы увидим появление аналогичных функционалов от других групп, что приведёт к здоровой конкуренции и ускорению прогресса в области.

Итог

Skala 1.1 от Microsoft Research — это значительный шаг вперёд в области предсказательной DFT. Благодаря расширенной доступности и улучшенной точности, он открывает новые возможности для исследователей по всему миру. Следите за развитием этой технологии — она может стать стандартом в вычислительной химии уже в ближайшие годы.