的UMA机制、数据资产与选型指南)
一个模型通吃五类化学体系：fairchem(ocp)的UMA机制、数据资产与选型指南
【免费下载链接】ocpFAIR Chemistry's library of machine learning methods for chemistry项目地址: https://gitcode.com/GitHub_Trending/oc/ocp
你手头有 800 万条 DFT（密度泛函理论，原子模拟的"高精度标尺"）计算结果，但真正算一次新的反应路径还是要等数天——Open Catalyst Project（ocp，现名fairchem，FAIR Chemistry 团队维护的机器学习势仓库）要消掉的就是这道成本鸿沟。它把五大开放数据集、约5.2 亿条 DFT 计算喂进一个预训练模型UMA（Universal Model for Atoms，面向原子的通用模型），再借 ASE（Atomic Simulation Environment，原子模拟框架）计算器接口，把能量、力、应力的预测直接接进你现有的弛豫与分子动力学流程。这篇文章讲清三件事：UMA 为什么"一个模型、多套精度"，六大开源数据集各自能干什么，以及从安装到批量筛选的完整上手路径。
上图是仓库自带基准（基准脚本）：横轴是在 NVIDIA H200 上跑 1296 原子冰 Ih 体系一个 ASE NVE 步的平均耗时，纵轴是 OMol25 公开验证集（272 万条 ωB97M-V 结构）上的力平均绝对误差（force MAE）。这张图也是你判断"要不要从 DFT 切到机器学习势"的第一手依据。
UMA 的核心机制：一个模型如何同时服务五个化学领域
架构关键词 MoLE：大参数、快推理、能量守恒
UMA 是一个等变图神经网络（equivariant GNN：输入结构旋转/平移后，输出力、应力等矢量量按同样规则变换，天然满足物理对称性），核心创新是MoLE（Mixture of Linear Experts，线性专家混合）架构：模型总参数可以做到很大，但推理时通过一个动态路由的单一输出头只激活很小一部分参数——官方给出的两个版本，uma-s 激活 6.6M/总 290M，uma-m 激活 50M/总 1.4B，在材料、分子、催化等多个领域达到当时的 SOTA（state-of-the-art）水平。
路由需要四组输入，这四组输入恰好决定了模型"以什么口径说话"：
- task：指明要模拟的 DFT 数据集/理论水平（
omol、omat、oc20、oc25、odac、omc、oc22）； - 总电荷与自旋多重度（仅
omol任务使用，默认 0/1）； - 元素组成：对每个原子的嵌入做平均，得到整体组成嵌入。
为什么 task 选错，能量就没法直接比
每个数据集都是用不同 DFT 泛函、不同赝势算出来的，UMA 为每个 task 学了一个独立的嵌入，输出能量对应各自的原生理论（level of theory）。官方文档明确提醒：不同 task 的能量不能当作同一次参考计算的结果直接相减（快速上手文档）。一句话：task 选错，不是结果不准，而是口径错了。
UMA 版本与任务覆盖
| 版本 | 时间 | 任务数 | 关键变化 |
|---|---|---|---|
| UMA 1.0 | 2025-05 | 5 | 首发oc20/omat/omol/odac/omc；MoLE + 等变 GNN，5 亿条 DFT 训练 |
| UMA 1.1 | 2025 | 5 | 修复能量尺寸外推（size extensivity）缺陷 |
| UMA 1.2（含 1p2、1p2p1） | 2026-03 | 7 | 新增oc25、oc22；纳入 OC22、OC25 与扩展 OMol25（含聚合物 OPoly26）；官方称小模型 turbo 模式提速约 50%、Open Molecules 测试集精度提升约 40% |
1.0 检查点已不受支持（加载会直接抛错）；完整记录见 UMA 发布日志，当前库版本 fairchem-core 2.22.0 还进一步加快了 UMA 推理。
数据与模型资产：六大开源数据集一张表看懂
ocp 仓库的fairchem-data-*子包（数据工具源码）负责生成各数据集的输入构型，标签（能量/力/应力）以 LMDB（内存映射数据库，支持随机高效读取）形式分发。六个核心资产速览：
| 数据集 | 领域 | 规模 | 理论水平（DFT） | 存储形式 |
|---|---|---|---|---|
| OC20 | 异相催化（82 种吸附质、约 1.15 万块体） | 1.33 亿+ 帧 / 约 46 万条吸附-表面弛豫 | VASP RPBE | S2EF 轨迹 + 预计算 LMDB；提供 200K/2M/20M/全量四档训练子集 |
| OC22 | 氧化物电催化剂 | 约 6.2 万氧化物体系 | VASP PBE+U（自旋极化） | 预计算 LMDB |
| OC25 | 固-液界面（显式溶剂） | 约 800 万条 DFT、150 万溶剂环境、平均 144 原子、88 元素 | VASP RPBE+D3 | ASE LMDB（*.aselmdb） |
| OMol25 | 有机/无机分子、配合物、电解质 | 1 亿+ 单点与弛豫 | ORCA6 wB97M-V/def2-TZVPD | ASE LMDB |
| OMat24 | 无机块体材料 | 训练 1.07M + 验证 1.02M 结构 | VASP PBE/PBE+U | ASE LMDB |
| ODAC23/25 | MOF 直接空气捕集 | CO₂/H₂O 吸附 | VASP PBE+D3 | ASE LMDB |
催化方向的任务命名约定值得记住：S2EF（Structure to Energy and Forces，给定结构预测能量和力）、IS2RE（初始结构→弛豫能量）、IS2RS（初始结构→弛豫结构），验证集按 id / ood_ads（未见吸附质）/ ood_cat（未见催化剂）/ ood_both 四种子集切分，专门量化外推能力。
两个容易踩的坑：其一，UMa/OMat24 系的模型用 DFT+U 总能量标签训练，与 Materials Project 的计算设置不兼容（README 有专门提示），做形成能、凸包能这类差值计算时要小心；其二，OC20 训练集标签是吸附能，OC22 起改用总能量——跨数据集比较能量前先看标签口径。
从零到第一个结果：安装 fairchem 并跑通第一次弛豫
安装分三步（安装文档）：
pip install fairchem-core # V2 已去掉 torch-geometric 等依赖 huggingface-cli login # UMA 检查点为门控仓库，需先申请访问 pip install "fairchem-core[extras]" # 可选：Ray 批量/多卡、Parquet 轨迹等之后所有计算遵循同一个四步模式：构建 ASE Atoms 对象 → 加载 UMA → 选 task 挂 FAIRChemCalculator → 调 ASE 拿能量/力或起动力学。以 CO 在 Cu(100) 上弛豫为例：
from ase.build import fcc100, add_adsorbate, molecule from ase.optimize import LBFGS from fairchem.core import pretrained_mlip, FAIRChemCalculator predictor = pretrained_mlip.get_predict_unit("uma-s-1p2p1", device="cuda") calc = FAIRChemCalculator(predictor, task_name="oc20") slab = fcc100("Cu", (3, 3, 3), vacuum=8, periodic=True) add_adsorbate(slab, molecule("CO"), 2.0, "bridge") slab.calc = calc LBFGS(slab).run(fmax=0.05, steps=100)换成分子体系时，记得把电荷和自旋写进atoms.info（{"charge": 0, "spin": 1}），这是omol任务的硬性输入；周期性材料则选omat，它额外预测应力，因此 ASE 的FrechetCellFilter可以同时弛豫原子位置与晶胞（Hello World 教程）。
三条进阶路线：跑分子动力学、做高通量、搜过渡态
分子动力学：ASE 直连或 Hydra 配置，都支持 NVT/NPT
FAIRChemCalculator实现了标准 ASE 计算器接口，所以 Langevin、VelocityVerlet 等 ASE 动力学类可以直接驱动，仓库同时提供 Hydra 配置（configs/uma/md/，nvt.yaml为 Langevin 300K、npt.yaml为 Berendsen 300K/1bar），一行fairchem -c configs/uma/md/nvt.yaml即可跑起来，支持断点续跑（checkpoint + resume 配置）、Parquet 轨迹落盘和 SLURM 提交。NVT/NPT/NVE/Bussi 等系综适配器一览见 MD 文档。注意turbo推理档（编译快速路径 + TF32）需要 Ampere 及以后的 GPU，旧卡回退inference_settings: default。
大规模与批量：workers 参数背后的 Ray 框架
多卡/多机并行不需要你手配 MPI：给get_predict_unit加workers=N，底层 Ray 自动分片。官方称该路线已验证到百卡级、百万原子体系，批量小体系弛豫在单卡 H100 上最高有4 倍相对串行的加速（InferenceBatcher 文档）；更大规模的既有 MD 工作流还可以接 LAMMPS 集成。
过渡态搜索：CatTSunami 框架与 NEB 参考数据
对催化反应路径，仓库提供 CatTSunami 框架：用在 OC20 上训练的 GNN 做 nudged elastic band（NEB，" nudged 弹性带"，过渡态搜索的常用离散化方法）帧集的高通量枚举，并附932 条收敛 DFT NEB参考（解离、脱附、迁移三类反应，覆盖 2827 次尝试）用于验证模型。同类应用包还有 AdsorbML（最低吸附能）、fastcsp（晶体结构预测）、ocx（实验-计算衔接，应用源码）。
怎么选模型、task 与验证集：一张表加三条红线
模型选型（UMA 指南）：
| 模型 | 激活/总参数 | 定位 |
|---|---|---|
uma-s-1p2p1（UMA 1.2.1 小模型） | 6.6M / 290M | 默认选择：多数基准 SOTA，速度与显存最优 |
uma-m-1p1 | 50M / 1.4B | 全指标最高精度，代价是更慢、更吃显存 |
task 按科学领域选，而不是按"哪种读得进我的结构"选：异相催化oc20、氧化物电催化oc22、（电）催化显式溶剂oc25、无机材料omat、分子/聚合物omol、分子晶体omc、MOF 捕集odac。注意oc25/oc22仅 UMA 1.2 起可用。
三条红线：
- 跨 task 能量不可直接比较——泛函、赝势、色散校正都不同；
- 除
omol外，各 task 默认期望中性、闭壳层输入（电荷/自旋恒为 0/1），开放壳层体系要格外小心；omat不能自选磁性态； omol训练数据全部是非周期体系，周期性结构慎用；UMa 加速的只是"探索"，关键结论仍要用参考数据或更高精度方法复核（官方文档原话强调）。
最后按你的角色给行动建议：
入门者——装好fairchem-core，申请 UMA 访问后跑 Hello World 里的 CH₂ 自旋隙和 Fe 晶胞弛豫两个例子，先建立"结构→预测"的完整手感，再碰动力学。
催化/电催化研究者——按体系锁定 task（氧化物选oc22、界面带溶剂选oc25、通用金属表面选oc20），用四种子验证集（id/ood_ads/ood_cat/ood_both）评估泛化，需要反应能垒时直接读 CatTSunami 的教程 notebook 和 932 条 DFT 参考。
工程化开发者——从turbo推理档起步，用workers=N+ Ray 或 LAMMPS 扩展体系规模，批量小体系上 InferenceBatcher；要复现官方数字，以 benchmarks/omol 里的环境与脚本为准（Python 3.12 + PyTorch 2.13 + ASE 3.29 + fairchem-core 2.22.0，单卡 H200）。
【免费下载链接】ocpFAIR Chemistry's library of machine learning methods for chemistry项目地址: https://gitcode.com/GitHub_Trending/oc/ocp
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
