UMA：毫秒级预测能量与力，一个模型跑通材料与分子动力学
【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
给吸附在 Cu(100) 表面上的 CO 做结构弛豫时，传统 DFT 每走一步优化都要重新算一次能量和力，单步动辄几十分钟，整套流程要跑上好几天。把 ASE 的计算器换成 fairchem 的预训练原子模型 UMA，同样的弛豫在单块 GPU 上几分钟内就能结束。fairchem是 FAIR Chemistry 团队的开源库，核心就是 UMA 这一族机器学习原子间势（MLIP）模型，覆盖催化、无机材料、分子、MOF、分子晶体等 7 个领域的能量、力与应力预测。
一个模型、七个领域：MoLE 是关键
UMA 是一个等变图神经网络，核心设计叫"线性专家混合（Mixture of Linear Experts，MoLE）"：只有一个输出头，通过动态路由调用不同专家，因此能在 5.2 亿条 DFT 训练样本上训练，同时保住能量守恒和推理速度。推理时你只需传入任务名（task）、总电荷、自旋和元素组成，UMA 就会路由到对应能级的"专家"。每个任务绑定一套确定的 DFT 计算设置（oc20 用 RPBE、omat 用 PBE/PBE+U、omol 用 wB97M-V/def2-TZVPD 等），所以输出可以直接和同能级的 DFT 结果对比。
| 模型 | 活跃 / 总参数 | 定位 |
|---|---|---|
| uma-s-1p2 | 6.6M / 290M | 多数基准 SOTA，速度最快，日常首选 |
| uma-m-1p1 | 50M / 1.4B | 各项精度最高，但更慢、更吃显存 |
四步跑通第一个结构弛豫
- 装库：
pip install fairchem-core即可；需要改源码时从 https://gitcode.com/GitHub_Trending/oc/ocp 克隆仓库，再pip install -e packages/fairchem-core[dev]。 - 登录并申请权重：UMA 权重托管在 Hugging Face，需先申请访问权限，加载时会报 401。审批通过后执行
huggingface-cli login保存令牌。 - 选任务：按研究对象挑一个，这一步决定了输出的能级：
oc20：多相催化（不含氧化物表面）oc22/oc25：氧化物催化 / 电解质界面，仅 UMA 1.2 支持omat：无机材料；omol：有机分子与聚合物（需显式给电荷、自旋）odac：MOF 与直接空气碳捕集；omc：分子晶体
- 跑起来：
pretrained_mlip.get_predict_unit("uma-s-1p2")拿到 predictor，包进FAIRChemCalculator挂到 ASE 的Atoms对象上，LBFGS/FIRE 做弛豫、Langevin 跑分子动力学，代码见 docs/core/quickstart.md。
实测表现与能力边界 ⚡
性能数字直接来自仓库发布说明：
- UMA 1.2（2026 年 3 月）：turbo 模式推理比 1.1 快约 50%，OMol25 测试集精度提升约 40%；生物分子相对误差比 1.1 改善约 50%，电解质体系改善约 30%。
- 并行：一个
workers=8参数即可在 8×H100 上把 8000 原子体系的 MD 跑到约 10 qps，比单卡快约 10 倍；10 万原子以上的真实场景约 1 ns/天。
边界同样明确，选任务前先对照：
- 电荷/自旋：只有
omol接受非零电荷和自旋（写入atoms.info）；其余任务期望 charge=0、spin=0，omat 还不能指定磁态。 - 周期性：
omol在周期性无关的分子数据上训练，晶体和表面请改用 omat/oc20。 - 与数据库对比：训练标签是 DFT/DFT+U 总能量，与 Materials Project 的赝势和磁基态不同，不要混用 MP2020 修正。
- 覆盖范围：oc20 不含氧化物和显式溶剂；odac 训练数据只覆盖 CO2/H2O 吸附，换气体或全新 MOF 结构要谨慎。
不止一个模型：fairchem 的周边生态
- 大规模 MD：底层用 Ray 做多机多卡并行推理，同时提供 LAMMPS 接口，长时程动力学可以直接上生产规模。
- 微调：
configs/uma/finetune/下有现成模板，配src/fairchem/core/scripts/create_uma_finetune_dataset.py就能在自己数据上继续训练。 - 下游应用：cattsunami 做反应路径搜索与描述符生成；ocx 把 CO2RR/HER 的计算描述符和真实实验数据打通；AdsorbML、FastCSP 负责吸附能预测和晶体结构生成。
- 基准与评测：OMol25、OC20 的 S2EF 榜单和评测脚本都在仓库内，见 docs/leaderboard/。
- 版本注意：v2 与 v1 是破坏性变更，加载旧 checkpoint 需要 v1 的代码。
UMA 的价值一句话：用 5.2 亿条 DFT 样本，把"一次 DFT 计算"换成"一次毫秒级前向"，一个模型覆盖七大领域的能量、力与应力。建议从 docs/core/quickstart.md 开始，任务选择与能级细节查 docs/core/uma.md。
【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
