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 Chemistrys 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 ExpertsMoLE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/PBEU、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-1p26.6M / 290M多数基准 SOTA速度最快日常首选uma-m-1p150M / 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odacMOF 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 1.22026 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workers8参数即可在 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 charge0、spin0omat 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/DFTU 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 Chemistrys 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