企业官网建设流程全解析

FAIR Chemistry 论文全景：OCP 仓库背后的原子模拟机器学习研究体系

【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

本文系统梳理当前仓库所依托的 FAIR Chemistry（Meta）团队研究论文体系，覆盖通用模型与架构、大规模数据集、生成模型、采样与分子动力学、催化与材料发现应用、训练方法以及电子结构预测等主题。结合仓库内 docs/core/uma.md、docs/catalysts/datasets/oc20.md、docs/core/generative_models.md 等文档与 src/fairchem/core/models 下的实现，读者可以按图索骥，把论文中的方法对应到可运行的模型、配置与数据上。

一、论文体系的整体版图

FAIR Chemistry 团队的研究围绕"用机器学习加速原子模拟"展开，覆盖分子、材料与催化剂三大领域。从 docs/core/fair_chemistry_papers.md 可以提炼出八条主线：

1. 通用模型与架构：UMA、eSEN、EquiformerV2、eSCN 等神经网络结构；
2. 数据集：OC20、OC22、OC25、OMol25、OMat24、OMC25、ODAC23/25、OCx24、OPoly26 等大规模开源数据；
3. 生成模型：ADiT、FlowMM、FlowLLM、Crystal-text-llm 等材料/分子生成方法；
4. 采样与分子动力学：Adjoint Sampling、Adjoint Schrödinger Bridge 等扩散采样方法；
5. 应用与发现：CatTSunami、AdsorbML、Catlas 等催化应用；
6. 训练方法与技术：DeNS、JMP、FINETUNA、主动学习、共形预测；
7. 电子结构与性质：HELM、电子密度衍生性质、XRD 损失景观分析；
8. 观点与综述：大模型在催化剂发现中的挑战、电催化剂设计入门等。

这些论文与仓库代码高度对应：模型类论文对应 src/fairchem/core/models 下的uma/、escaip/、allscaip/目录；应用类论文对应 packages/fairchem-applications-AdsorbML、packages/fairchem-applications-cattsunami 等应用包；数据集论文对应 docs/catalysts/datasets、docs/molecules/datasets、docs/inorganic_materials/datasets 下的数据文档。

二、通用模型与架构：从等变 GNN 到通用原子模型

UMA：面向原子的通用模型家族（2025）

UMA（Universal Models for Atoms）是当前仓库中最重要的模型，论文 arXiv:2506.23971。其核心设计为混合线性专家（Mixture of Linear Experts, MoLE）：在 5 亿以上结构的训练规模下，模型总参数量达 14 亿，但通过动态路由，每个结构实际只激活约 5000 万参数，兼顾容量与推理速度。

从仓库 docs/core/uma.md 可以看到 UMA 的路由输入需要四类信息：

UMA 训练自 5 个不同 DFT 理论层级的数据集，每个 task 对应一种理论层级嵌入，推理时必须显式指定使用哪一个。仓库中 UMA 的实现位于 src/fairchem/core/models/uma，包含escn_md.py（等变主干）、escn_moe.py（MoE 层）、escn_md_block.py、outputs.py与nn/、triton/子模块；预训练 checkpoint 配置见 configs/uma/benchmark/checkpoint 下的uma_sm.yaml、uma_md.yaml、uma_lg.yaml等。

各 task 的适用域（依据 docs/core/uma.md 整理）：

• omol（wB97M-V/def2-TZVPD，ORCA6）：生物、有机化学、小分子药物、均相催化、聚合物等；需要电荷与自旋多重度，训练数据均为非周期性体系；
• omc（PBE+D3，VASP）：药物包装、生物启发材料、有机电子与 OLED；
• omat（PBE/PBE+U，VASP）：无机材料发现、光伏、合金、超导、电子与光学材料；
• oc20（RPBE，VASP）：可再生能源、催化、燃料电池、化肥生产、塑料合成/升级回收；
• odac（PBE+D3，VASP）：直接空气捕获、碳捕获与封存、CO₂ 转化；
• oc25（RPBE+D3，VASP 6.4，含偶极校正，仅 UMA-1.2）：固液界面电催化；不提供功函数输出；
• oc22（PBE+U，自旋极化，仅 UMA-1.2）：氧化物催化与载体、能量转换与存储。

eSEN：平滑且富有表现力的原子间势（2025）

eSEN（arXiv:2502.12147）通过能量守恒测试，在热导率、声子与材料稳定性预测上取得当时的最优结果。它同时解决了两类问题：平滑性（对结构扰动的连续响应）与表现力（对复杂相互作用的拟合能力）。仓库中对应实现位于 src/fairchem/core/models/escaip（EScAIP.py为入口，配套configs.py、custom_types.py、modules/与utils/），训练配置示例见 configs/escaip/training/backbone（如H1024L8.yaml、H512L10.yaml、H640L10.yaml）。

EquiformerV2：改进的等变 Transformer（2023）

EquiformerV2（arXiv:2306.12059）在力预测上最高提升 9%、能量预测提升 4%，并将吸附能计算所需的 DFT 计算量减少约 2 倍。其核心思路是用更高效的注意力机制取代传统 SO(3) 卷积中的张量积运算。仓库中保留有该模型的快照测试 tests/core/models/snapshots/test_equiformer_v2_deprecated.ambr。

eSCN：将 SO(3) 卷积约简为 SO(2)（2023）

eSCN（arXiv:2302.03655）把等变卷积的复杂度从 O(L⁶) 降至 O(L³)，在 OC-20 与 OC-22 上取得当时最优。它的思想是沿 z 轴将 SO(3) 卷积分解为 SO(2) 上的快速运算，大幅降低计算与显存开销。UMA 的等变主干（escn_md.py）正是 eSCN 的扩展形态，相关单元测试可见 tests/core/models/uma/test_escn_md.py。

更多架构论文

• GemNet-OC（arXiv:2204.02782，2022）：面向更大、更多样的分子模拟数据集设计的图神经网络。作者指出新数据集在化学多样性、体系尺寸、数据规模与领域偏移四个维度上与旧数据集显著不同；GemNet-OC 在 OC20 上超越此前最优 16%，同时将训练时间降低 10 倍。
• Spherical Channel Network（SCN）（arXiv:2206.14331，2022）：将原子嵌入表示为球谐函数定义的球面函数，在 Open Catalyst 大规模数据集上取得当时最优结果。
• ForceNet（arXiv:2103.01436，2021）：不施加显式物理约束，而是通过基于物理的数据增强隐式施加，从而在保持计算效率的同时灵活设计高表现力模型；力预测精度超过基于物理约束的 SOTA GNN 且推理更快。
• Spin Conv（Rotation Invariant GNN）（arXiv:2106.09575，2021）：引入逐边局部坐标系与自旋卷积建模原子间角信息，在 OC20 上取得当时最优。
• Towards Training Billion Parameter GNNs（arXiv:2203.09697，2022）：提出 Graph Parallelism 图并行方法，将输入图分布到多张 GPU 上，支持数十亿参数 GNN 的训练；在 OC20 上相对提升 15% 的力 MAE。仓库中 src/fairchem/core/common/parallelism 即对应图并行/张量并行实现，配套测试见 tests/core/common/parallelism/test_graph_parallel.py。

三、数据集：支撑下一代化学 ML 模型的大规模开放数据

四大旗舰数据集卡片

更多数据集论文

• OPoly26（arXiv:2512.23117，2025）：含 657 万+ 聚合物团簇 DFT 计算、总计 12 亿+ 原子，覆盖单体组成、聚合度、链构型与溶剂环境的化学多样性。
• OC25 固液界面数据集（arXiv:2509.17862，2025）：7,801,261 个计算、1,511,270 个显式溶剂环境，是目前最大的固液界面数据集，覆盖 88 种元素与常用溶剂/离子。
• OMol25 细节（docs/molecules/datasets/omol25.md）：wB97M-V/def2-TZVPD（ORCA6）层级，含总能量（eV）与力（eV/Å）标签，以 ASE DB 兼容的*.aselmdb格式提供；总电荷与自旋多重度保存在atoms.info字典中（ASE 不支持这两个默认属性）。
• OMC25（arXiv:2508.02651）：2700 万+ 分子晶体结构、12 种元素、单胞最多 300 原子，源自 23 万+ 结构的含色散 DFT 弛豫轨迹。
• ODAC25（arXiv:2508.03162）：近 6000 万次 CO₂/H₂O/N₂/O₂ 在 15,000 个 MOF 中的吸附 DFT 计算，通过官能团化 MOF、GCMC 衍生位点与合成框架引入化学多样性。
• OMat24（arXiv:2410.12771）：1.1 亿+ DFT 计算，聚焦结构与组成多样性；论文报告 EquiformerV2 模型在 Matbench Discovery 上取得 F1 分数超过 0.9 的最优结果。
• OCx24 实验数据集（arXiv:2411.11783，2024）：572 个合成样品、441 个气体扩散电极用于 CO₂RR 与 HER 评估，DFT 验证吸附能覆盖约 2 万种材料，需要 6.85 亿次 AI 加速弛豫。
• OC22 氧化物数据集（arXiv:2206.08917，2022）：62,331 次 DFT 弛豫（约 985 万单点计算），覆盖氧化物材料、覆盖度与吸附质，面向 OER 催化剂开发。与 OC20 的关键差异在于 OC22 使用 DFT 总能量而非吸附能训练（见 docs/catalysts/datasets/oc22.md）。
• ODAC23（arXiv:2311.00341，2023）：3800 万+ 次 DFT 计算，覆盖 8400+ 个含 CO₂/H₂O 吸附的 MOF，面向直接空气捕获。
• OC20（arXiv:2010.09990，2020）：1,281,040 次 DFT 弛豫（约 2.65 亿单点评估），是 Open Catalyst Project 的基石数据集。仓库 docs/catalysts/datasets/oc20.md 给出了完整的下载与预处理方式：IS2* 任务 LMDB 可直接使用；S2EF 训练/验证集需先下载轨迹并用脚本预处理：

python scripts/download_data.py --task is2re python scripts/download_data.py --task s2ef --split SPLIT_SIZE --get-edges --num-workers WORKERS --ref-energy

其中--split可取200k、2M、20M、all、val_id、val_ood_ads、val_ood_cat、val_ood_both；--get-edges会把边信息写入 LMDB（存储约增加 10 倍、预处理慢 3~5 倍，但训练期显存更省）；--ref-energy使用参考能量而非原始能量。仓库中还提供了oc20_data_mapping.pkl（吸附质-催化剂体系到材料属性的映射，含miller_index、adsorption_site、anomaly等字段）与mapping_adslab_slab.pkl（吸附质-催化剂体系到催化剂体系的映射）。

四、生成模型：新分子、新材料的自动生成

四张核心方法卡片

从 docs/core/generative_models.md 可了解各模型的设计动机：

• ADiT：分子生成与材料生成以往是两个独立任务，ADiT 用基于 Transformer 的潜扩散把两者编码进同一潜空间，获得协同学习收益；
• FlowLLM：观察到 Crystal-text-llm 生成组成远比生成晶体结构出色，于是采用"LLM 生成待研究组成 + Flow Matching 生成晶体结构"的组合；
• FlowMM：将黎曼流匹配推广到含平移、旋转、置换与周期性边界条件的晶体；
• Crystal-text-llm（arXiv:2402.04379，2024）：微调后的 LLaMA-2 70B 生成材料被预测为亚稳态的比例约为 CDVAE 的两倍（49% vs 28%），约 90% 的采样结构满足物理约束，说明 LLM 在原子级数据上具有出乎意料的适用性。

更多生成模型论文

• Fine-Tuned Language Models Generate Stable Inorganic Materials（arXiv:2402.04379）：即 Crystal-text-llm 论文，详见上表。
• FastCSP（arXiv:2508.02641，2025）：随机结构生成 + UMA 驱动的弛豫与自由能计算；单个体系可在数十块 GPU 上数小时内出结果，使高通量晶体结构预测（CSP）变得可行。仓库中对应应用包见 packages/fairchem-applications-fastcsp。
• ADiT 细节：自动编码器把分子与材料映射到共享潜空间，再以扩散生成新嵌入；在 MP20、QM9、GEOM-DRUGS 上取得当时最优，并较等变扩散模型显著加速。

五、采样与分子动力学：面向非归一化密度的扩散采样

• Adjoint Sampling（arXiv:2504.11713，2025）：首个可扩展到大规模问题的 on-policy 扩散采样算法，允许梯度更新次数显著多于能量评估次数；可用于跨多个分子体系的摊销构象生成。
• Adjoint Schrödinger Bridge Sampler（ASBS）（arXiv:2506.22565，2025）：基于 Schrödinger Bridge 的动力学最优输运，训练时无需目标样本，可泛化到任意源分布，用于分子玻尔兹曼分布采样。
• Enhancing Diffusion Sampling with Collective Variables（arXiv:2510.11923，2025）：沿集体变量施加序列偏置以改进模式发现并估计自由能，首次用扩散采样器完成反应性采样，配合通用原子间势捕捉断键与成键过程。

这些方法与仓库中的动力学与采样组件相关，例如 src/fairchem/core/components/dynamics、src/fairchem/core/modules/transforms.py，以及 LAMMPS 接口 src/fairchem/lammps。

六、应用与发现：催化剂与材料的加速发现

• CatTSunami 细节：基于 OC20 训练的 GNN 势 91% 的情况下在 0.1 eV 内找到 DFT 过渡态，加速 28 倍；以 12 GPU 天复现含 61 个中间体、174 个反应的 DFT 分辨率反应网络（对比 52 GPU 年），即 1500 倍加速。仓库对应包 packages/fairchem-applications-cattsunami，教程见 docs/catalysts/examples_tutorials/cattsunami_tutorial.md。
• AdsorbML 细节：ML 势以 87.36% 的准确率识别低能吸附质-表面构型，同时实现约 2000 倍加速；论文同时发布 Open Catalyst Dense 数据集（约 1000 个表面、10 万构型，见 docs/catalysts/datasets/oc20dense.md）。仓库对应包 packages/fairchem-applications-AdsorbML，教程见 docs/catalysts/examples_tutorials/adsorbml_walkthrough.md。
• Catlas 细节：无需前期训练，直接用预训练 ML 模型探索大规模设计空间；对合成气制含氧化合物转化，探索了 947 种二元金属间化合物，识别出 144 个候选材料，包括 Pt-Ti、Pd-V、Ni-Nb、Ti-Zn。
• LCP 细节：将第一性原理计算与遗传算法结合，发现低可见光吸收、高折射率的液晶聚合物，用于 VR/AR/MR 技术。
• Adapting OC20-trained EquiformerV2 for High-Entropy Materials（arXiv:2403.09811，2024）：通过能量过滤与少样本微调，EquiformerV2 在高熵合金（Ag-Ir-Pd-Pt-Ru）上取得当时最优精度，证明有序结构上的基础知识可外推到无序固溶体。

七、训练方法与技术：预训练、去噪与主动学习

• DeNS（Generalizing Denoising to Non-Equilibrium Structures）（arXiv:2403.09549，2024）：将非平衡结构去噪作为辅助训练任务，用编码后的力指明正在去噪的结构，在 OC20 与 OC22 上取得新最优，同时在 MD17 上显著提升训练效率。
• JMP（Joint Multi-domain Pre-training）（arXiv:2310.16802，2023）：在 OC20、OC22、ANI-1x、Transition-1x 等约 1.2 亿体系上以多任务框架联合预训练，相对从零训练平均提升 59%，40 个任务中 34 个达到或追平 SOTA。
• FINETUNA（Fine-tuning Accelerated Simulations）（arXiv:2205.01223，2022）：在线主动学习框架，融合预训练模型先验，将 DFT 计算量减少 91%，同时 93% 的情况满足精度阈值。
• Generalization of Graph-Based Active Learning Relaxation（arXiv:2311.01987，2023）：研究 FINETUNA 在域外体系（更大吸附质、自旋极化金属氧化物、沸石与 MOF 等三维结构）上的表现，将 DFT 计算量减少 80%（醇类/三维结构）与 42%（氧化物）。
• Conformal Prediction 不确定性估计（arXiv:2208.08337，2022）：将共形预测与潜空间距离结合，估计神经力场的不确定性，校准良好、尖锐且可扩展到百万级训练数据。
• Robust Offline Active Learning（arXiv:2008.10773，2020）：Δ-机器学习方法通过规避非物理构型实现稳定的离线主动学习收敛，将第一性原理计算减少 70~90%。

这些训练方法在仓库中均有落地：微调数据准备脚本见 src/fairchem/core/scripts/create_finetune_dataset.py 与 src/fairchem/core/scripts/create_uma_finetune_dataset.py，微调配置模板见 configs/uma/finetune/uma_sm_finetune_template.yaml，训练/微调流程说明见 docs/core/common_tasks/fine_tuning.md。

八、电子结构与性质：超越能量与力的预测

• HELM（Hamiltonian-trained Electronic-structure Learning）（arXiv:2510.00224，2025）：面向周期表 58 种元素、100+ 原子结构与大型基组的哈密顿量预测模型，随论文发布 'OMol_CSH_58k' 数据集；"哈密顿量预训练"在低数据场景下可改善能量预测。
• Chemical Properties from GNN-Predicted Electron Densities（arXiv:2309.04811，2023）：无需训练预测电荷，仅从模型预测的电子密度出发，用成熟物理方法推导化学性质，原子电荷误差比原子密度叠加法低一个数量级。
• XRD Loss Landscape Analysis（arXiv:2512.04036，2025）：研究粉末 XRD 到结构的映射，常用 XRD 相似度指标导致高度非凸的损失景观；将优化约束到真实晶体族可显著改善结构恢复。
• Physically-informed Graph-based Order Parameter（arXiv:2106.08215，2021）：通用、可迁移的图基序参数用于表征原子结构，在高达 300 GPa 的液态锂、含纳米管的碳相与多种铝构型上验证，优于既有晶体序参数。

九、观点与综述论文

• Open Challenges in Developing Large Scale ML Models for Catalyst Discovery（arXiv:2206.02005，2022）：总结 OC20 开发中的挑战与发现，涵盖能量守恒、局部极小值寻找与离平衡数据增强。
• An Introduction to Electrocatalyst Design using Machine Learning（arXiv:2010.09435，2020）：面向可再生能源存储的电催化剂发现挑战、ML 应用方式与 OC20 数据集使用入门。
• Computational Catalyst Discovery: Active Classification（arXiv:2102.01528，2021）：提出 myopic multiscale sampling，将多尺度建模与自动化 DFT 选择结合，催化剂分类相对随机采样加速约 7~16 倍。

十、如何从论文走向仓库实践

读论文的同时，可以直接在仓库中找到对应实现与配置：

1. 模型：src/fairchem/core/models/uma（UMA 系列）、src/fairchem/core/models/escaip（eSEN）、src/fairchem/core/models/allscaip（统一化学势/全 scaip 模型）；
2. 预训练权重配置：configs/uma/benchmark/checkpoint、configs/uma/evaluate/checkpoint；
3. 数据集详情与下载：docs/catalysts/datasets（OC20/OC22/OC25/OCx24 等）、docs/molecules/datasets（OMol25/OMC25 等）、docs/inorganic_materials/datasets（OMat24）；
4. 应用包：packages/fairchem-applications-AdsorbML、packages/fairchem-applications-cattsunami、packages/fairchem-applications-fastcsp、packages/fairchem-applications-ocx；
5. ASE 计算器与推理：src/fairchem/core/calculate/ase_calculator.py、src/fairchem/core/calculate/pretrained_mlip.py 及 docs/core/common_tasks/ase_calculator.md；
6. 测试验证：UMA 测试见 tests/core/models/uma，eSEN 测试见 tests/core/models/escaip，MLIP 单元测试见 tests/core/units/mlip_unit。

上述论文共同构成了当前仓库的技术底座：从 OC20 等基础数据集出发，经过 eSCN/EquiformerV2/eSEN 等架构演进，到 UMA 实现跨域通用的单模型能力，再到生成模型、采样方法与主动学习等外围工具，形成了一套从数据、训练到推理的完整研究-工程闭环。读者在阅读论文时，建议始终以仓库中的 docs 目录、configs配置与tests测试为对照，从而把学术方法快速映射为可运行的实践。

【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