UMA 模型吸附能预测：把 DFT 数小时压到秒级的完整催化剂筛选流程

UMA 模型吸附能预测：把 DFT 数小时压到秒级的完整催化剂筛选流程

【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

本文面向计算催化新手，带你用开源项目 FAIR Chemistry（OCP）里的 UMA 模型完成吸附能预测：从环境配置、自动生成吸附构型、ML 结构弛豫，到能量参考扣除和异常剔除，一条流水线跑通，并给出批量提速与排错清单。

筛选上千个催化剂时，传统做法卡在哪

催化研究里最关键的一个数往往是吸附能——分子在表面绑得多紧，直接决定活性和选择性。传统做法是 DFT：每个构型都要迭代到收敛，单算一次几分钟到几小时，而一个催化位点为了找最稳吸附构态，通常要试几十个初始摆放。体系一大，排队等算就成常态，高通量筛选几乎停摆。

UMA（Universal Models for Atoms）换了一条路：用等变图神经网络当"能量计算器"，把结构画成原子间图，一次前向传播直接给出能量和力，单次推理毫秒级。代价是精度略低于高精度 DFT，但对"筛出值得精算的少数候选"这一步，速度优势是决定性的。🔧

UMA 凭什么又快又准

模型主干是等变图网络：原子坐标经过半径图（radius graph）连接，各层变换在旋转下严格不变，天然符合物理对称性。工程上最值得注意的是 MoLE（Mixture of Linear Experts，混合线性专家）：把每层拆成一组小线性专家，按化学环境动态加权组合——不同表面、不同吸附质可以"走不同的通道"，参数量撑得起来，推理却不会随专家数线性变慢。官方称该模型在约 5 亿个 DFT 样本上训练，覆盖体相、表面、分子、催化等多类体系。

架构与数据流的示意图见仓库自带文档图：

环境一键就绪

三件事搞定即可开始：

git clone https://gitcode.com/GitHub_Trending/oc/ocp pip install fairchem-core fairchem-data-oc

权重放在 HuggingFace 的门控仓库facebook/UMA，需要先申请访问权并登录，否则下载会报 401：

huggingface-cli login

有 GPU 体验最佳（弛豫单构型秒级），CPU 能跑但明显更慢。

三步跑通：枚举构型 → 弛豫结构 → 扣参考能量

第一步：自动生成吸附构型。你只需给出体相 ID、晶面指数和吸附质 SMILES，AdsorbateSlabConfig会沿表面铺开一批初始摆放（*是吸附锚点符号）：

from fairchem.data.oc.core import Bulk, Slab, Adsorbate, AdsorbateSlabConfig bulk = Bulk(bulk_src_id_from_db="oqmd-343039", bulk_db_path="NRR_example_bulks.pkl") slab = Slab.from_bulk_get_specific_millers(bulk=bulk, specific_millers=(1, 1, 1)) ads = Adsorbate(adsorbate_smiles_from_db="*H", adsorbate_db_path="adsorbates.pkl") adslabs = AdsorbateSlabConfig(slab[0], ads, mode="random_site_heuristic_placement", num_sites=10)

mode还支持"heuristic"（纯启发式站点）；num_sites越大越接近穷举，但计算量同步上涨。

第二步：ML 结构弛豫。FAIRChemCalculator是标准 ASE 计算器，接到任何 ASE 优化器上就能用：

from fairchem.core import FAIRChemCalculator, pretrained_mlip from ase.optimize import QuasiNewton predictor = pretrained_mlip.get_predict_unit("uma-s-1p2p1") calc = FAIRChemCalculator(predictor, task_name="oc20") adslab.calc = calc opt = QuasiNewton(adslab, trajectory="h_adsorption.traj") opt.run(fmax=0.05, steps=100)

task_name="oc20"对应催化表面任务，别和分子任务omol混用。

第三步：扣参考算吸附能。弛豫结束后取三个总能做差：

E_ads = E(adslab) − E(slab) − E(adsorbate_ref)

三项分别是含吸附物的表面、空表面、气相参考分子。能量越负，吸附越强。参考能量用同一模型算气相分子即可保持自洽。

完整案例：Ni(111) 表面 H* 吸附能

以氮气还原（NRR）研究为例，官方教程复现了文献中 H* 与 NNH* 吸附能的筛选图（NRR_example_bulks.pkl内置 19 个合金体相）。流程是：

• 输入：体相 IDoqmd-343039、晶面 (111)、吸附质*H；
• 操作：先单独弛豫空 slab（slab[0].atoms挂上同一个calc），再对adslabs.atoms_list里每个构型跑弛豫，结果存成.traj轨迹；
• 结果：遍历所有轨迹取每个表面最负吸附能，即可得到该表面的 H* 结合强度，多表面汇总后就能对比不同合金的 NRR/HER 倾向。

这一步是天然可并行的：每个构型互相独立，直接多进程或分布式铺开即可，注意控制内存。完整可交互版本见官方教程 docs/catalysts/examples_tutorials/adsorption_energies/adsorption_energies.md。

踩坑与排错：5 个高频问题

Q1：模型下载报 401 / 权限错误？确认已申请facebook/UMA门控仓库权限，并用huggingface-cli login或环境变量HF_TOKEN注入 token。权重与参考能量文件会自动缓存到~/.cache/fairchem。

Q2：弛豫不收敛怎么办？放宽判据（fmax=0.1）或加步数（steps=300）；仍不收敛时检查初始构型是否原子重叠、slab 层数是否足够厚（底层需冻结或加厚）。

Q3：算出的吸附能和文献差很多？按顺序排查：task_name与模型训练任务是否匹配；参考能量是否与模型同来源（用 DFT 参考配 ML 总能会引入系统偏差）；吸附质是否在弛豫中跑位了（见下条）。

Q4：轨迹里吸附质解离或飞走了？这是最常见的"假吸附能"来源——解离、脱附、嵌入体相都会让能量失去吸附能含义。用官方异常检测器剔除：

from fairchem.data.oc.utils import DetectTrajAnomaly detector = DetectTrajAnomaly(initial_atoms, final_atoms, tags) valid = not (detector.is_adsorbate_dissociated() or detector.is_adsorbate_desorbed())

Q5：随机摆放没覆盖到真实最稳位点？把heuristic与random_site_heuristic_placement两种模式各跑一批再取并集，并增大num_sites。这本质是概率性搜索，多采一点总概率更高。⚠️

进阶与延伸：更快、更准的路

速度侧。推理设置传inference_settings="turbo"可启用融合 MOLE + 编译的快速路径（并自动回退）；多卡多进程用get_predict_unit(..., workers=2)；大批量预测建议跳过逐个 ASE 调用，直接把Atoms转成AtomicData后组 batch 一次前向：

from fairchem.core.datasets.atomic_data import AtomicData, atomicdata_list_to_batch batch = atomicdata_list_to_batch([AtomicData.from_ase(a, task_name="oc20") for a in adslabs]) preds = predictor.predict(batch)

精度侧。用更大的uma-m-1p1换精度；或走"ML 弛豫 + DFT 单点校正"两阶段路线——用 UMA 找到最稳构型，再只对终态跑一次 DFT，总成本仍远低于全程 DFT。

应用侧。同一套fairchem.data.oc构型生成工具链也支撑 CO₂ 还原（CO₂RR）等电催化反应路径分析，cattsunami 应用可直接在其上做反应能垒枚举：

📈 继续深入的出口：推理接口细节见 docs/core/common_tasks/ase_calculator.md、批量推理见 docs/core/common_tasks/batch_inference.md、模型注册表源码见 src/fairchem/core/calculate/pretrained_mlip.py。随着训练数据扩充，UMA 后续还会纳入更多泛函与元素体系，值得持续关注更新日志。

【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