预测一种材料是否稳定，有点像先在电脑里做实验：算得越准，越能少走弯路，但量子化学计算往往代价不低。微软研究院更新了 Skala 1.1，用深度学习改进密度泛函理论（DFT）中的关键近似，在不提高实际计算成本的前提下，尝试把分子与材料性质算得更准。
DFT 是根据电子密度预测能量、结构和反应的常用方法。其中最棘手的一环是交换-相关泛函——描述电子之间交换与关联效应的近似公式。Skala 就在学习这个近似。微软称，新版训练数据量是首个公开版本的 2.5 倍；在覆盖热化学、反应动力学和非共价相互作用的 GMTKN55 基准中，它以 meta-GGA 泛函级别的计算成本，在 55 个类别里有 32 个排名第一，并超过更昂贵的全局杂化泛函。
这次更新的另一重点是可用性：Skala 已接入 CP2K，并正整合进 Psi4、FHI-aims、ORCA 和 VASP 等专业计算软件。微软还推出持续更新的性能基准，用来比较后续版本在不同软件和硬件上的效率。换句话说，这不只是刷新模型成绩，也是在把 AI 加速的化学计算推入研究人员现有的工作流程；不过上述效果目前来自微软研究院自述。