UMA 模型实战指南一个模型覆盖 7 个任务的原子能量与力预测【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/ocpDFT 逐结构计算上千个候选筛一遍要等好几天。UMA 模型是 fairchem 项目的核心 MLIP机器学习原子间势一个模型覆盖从分子到 MOF 的 7 个任务直接给出原子级能量与力把候选筛选从天级压到小时级。它是什么MoLE 路由与 5 亿 DFT 训练样本UMA 是一个等变图神经网络核心机制是 MoLEMixture of Linear Experts线性专家混合路由推理时根据任务和元素组成只激活一小部分参数因此总参数量可以做大而速度不降。它在 5 亿个 DFT 样本上训练uma-s 版本仅 6.6M 活跃 / 290M 总参数并保持能量守恒最新的 UMA-1.2 比 1.1 快约 50%在 OMol 测试集上精度提升约 40%。上手路径装环境、拿权限、选任务安装核心包并获取模型访问权限pip install fairchem-core安装核心包。UMA 权重托管在 Hugging Face需先申请 UMA 仓库的访问权限再用huggingface-cli login保存 token若要改代码则克隆 https://gitcode.com/GitHub_Trending/oc/ocp 后以编辑模式安装。按研究方向选对任务模块task_name决定 UMA 模拟哪种 DFT 理论水平omol 对应分子与聚合物omat 是无机材料oc20/oc25/oc22 是催化表面odac 面向 MOFomc 是分子晶体。按你的方向选任务即可模型会路由到对应训练的参数集合。第一次运行验证用 ASE 搭一个小分子如水传入calc FAIRChemCalculator(predictor, task_nameomol)调用get_potential_energy()能正常返回能量和力环境就算跑通了。场景实战三个典型计算任务催化表面吸附能与结构松弛输入 Cu(100) 板加 CO 吸附体oc20 任务逐步给出能量和力LBFGS 几分钟内松弛出吸附构型数百个候选表面可以这样批量初筛oc25 是带色散的电催化版本。无机材料晶体结构松弛输入bulk(Fe)生成的初始结构omat 对应 PBE/PBEU 理论水平模型同时输出力和应力配 FIRE 加 FrechetCellFilter 即可松弛晶格得到平衡结构能量适合新组成的快速初筛。MOF 碳捕集多孔框架吸附筛选输入 WOBHEB 这类 MOF 框架和 CO2/H2Oodac 任务在 PBED3 上训练对比框架吸附气体前后的能量差即可排序候选框架。注意训练只覆盖 CO2/H2O 吸附其他气体结果仅供参考。传统 DFT 与 UMA 怎么选论文定稿、单点高精度能量用 VASP/ORCA 跑UMA 的误差本身就是 DFT 量级大候选集初筛、结构松弛、分子动力学UMA 快得多适合放在 DFT 之前能量差要同源UMA 标签与 Materials Project 假势不同形成能和能量-above-hull 不能直接混比进阶方向大规模 MD 与微调多 GPU 推理与大规模分子动力学加一个workers8参数即可自动多卡并行8 块 H100 上 8000 原子 MD 约 10 QPS10 万原子系统可达约 1 ns/天并兼容 LAMMPS 接口。用自己的数据微调configs/uma/finetune/下有微调配置模板可用自己的少量 DFT 数据做领域适配omat 相关场景注意 UMA 总能标签与 MP 参考能量来源不同别混用。先从 oc20 任务松弛一个 Cu(100) 上的 CO 试跑把它给出的吸附能和一次 DFT 结果对一下建立误差量级的感觉再考虑扩大规模。【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