企业官网建设流程全解析

OMC25 数据集实战指南：25M+ 有机分子晶体的 PBE+D3 数据、格式与 VASP 复现

【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

本篇指南围绕 FAIR Chemistry 开源项目（oc/ocp）中的 OMC25（Open Molecular Crystals 2025）数据集展开，介绍其规模、标签体系、生成方法、*.aselmdb数据格式、HuggingFace 获取方式，以及如何借助仓库内的create_vasp_inputs.py脚本与 INCAR 配置在 PBE+D3 水平下重现 VASP 计算。读者读完后，可以独立完成 OMC25 数据的申请下载、ASE DB 读取、训练配置接入，并具备复现或扩展该数据集 DFT 计算的能力。

OMC25 数据集概览

OMC25 是 FAIR Chemistry 发布的有机分子晶体（organic molecular crystals）机器学习数据集，是 docs/molecules/datasets/summary.md 中列出的三大分子数据集（OMol25、OMol25 Electronic Structures、OMC25）之一，对应 docs/core/quickstart.md 中的 "Molecular Crystals" 入口。

数据集核心信息如下：

OMC25 的数据由 src/fairchem/data/omc/README.md 进一步确认：训练集与验证集（training and validation splits）均通过 HuggingFace 提供，同时该仓库还托管了预训练模型（eSEN 模型与 UMA 系列模型），其中 UMA 模型采用商业友好许可（含部分地域与可接受使用限制）。

数据集生成方法与标签体系

OMC25 包含超过 2500 万条有机分子晶体结构，来源于随机堆积 OE62 分子至各种三维晶胞的弛豫轨迹（relaxation trajectories），由 Genarris 3.0 软件包生成。所谓"弛豫轨迹"，即结构优化过程中每个 SCF/离子步的中间结构都被保存下来，因而同一体系会产生大量沿轨迹分布的数据点——这为训练力场类模型提供了高密度的构型采样。

每条结构都带有以下三种通过 VASP 计算得到的标签：

• 总能量（total energy）：单位 eV；
• 原子力（forces）：单位 eV/Å；
• 应力（stress）：单位 eV/ų。

能量、力、应力三标签齐备，意味着该数据集不仅支持直接的能量-力（EF）预测任务，也支持需要应力信息的守恒型（conserving）训练与分子动力学（MD）场景，包括晶胞张量随 MD 演化的恒压模拟。这与 UMA 框架中 omc 任务的设计（见 docs/core/uma.md）相衔接：UMA 将omc列为内置任务之一，对应 PBE+D3（VASP 实现）水平，目标应用覆盖药物包装（pharmaceutical packaging）、仿生材料、有机电子器件、有机 LED等领域。

数据格式：ASE DB 兼容的 LMDB 文件

OMC25 数据集以ASE DB 兼容的 lmdb 文件（*.aselmdb）提供，这一点在原文档中有明确说明。aselmdb将 ASE（Atomic Simulation Environment）的原子结构对象序列化进 LMDB（Lightning Memory-Mapped Database）键值存储中，兼顾了 ASE 生态的易用性与 LMDB 的高吞吐读取性能。

仓库的 docs/core/common_tasks/ase_dataset_creation.md 对 ASE DB 数据集的使用给出了通用说明：ASE DB 后端对于 1~2 块 GPU 的常规训练或单卡推理"足够快"，需要更高吞吐时再考虑转为纯 LMDB。在配置文件中接入aselmdb时，只需将数据集的format指向 ASE DB 类型，并通过src指定数据库路径，同时配合key_mapping等字段完成字段映射：

dataset: - dataset: format: ase_db # 使用 ASE DB 数据集而非普通 LMDB src: /path/to/omc25/*.aselmdb # 指向 *.aselmdb 文件 src: path/to/config.yaml

需要注意的关键前提是：能量/力信息必须存储在 ASE DB 中（对应 OMC25 的 energy、forces、stress 标签），模型才能直接读取用于训练。OMC25 的标签字段与 fairchem 的标准数据契约（energy、force、stress）完全对齐，因此可无缝接入 configs 下的数据集配置体系。

获取数据集：申请与下载

OMC25 的训练集与验证集托管在 HuggingFace 的 facebook/OMC25 仓库中，采用CC BY 4.0许可。使用前需注意：

1. 需要先在 HuggingFace 上申请该仓库的访问权限（apply for repository access），获批后才能下载；
2. 数据集与预训练模型（eSEN、UMA）均在同一仓库体系下提供，详见 src/fairchem/data/omc/README.md；
3. 下载后得到的是*.aselmdb文件，可直接被 ASE 生态工具链读取。

仓库未在本项目内内置 OMC25 数据文件本身，数据以外部托管方式分发，这符合其大规模数据集（25M+ 结构）的管理惯例。

在 PBE+D3 水平复现 VASP 计算

原文档明确指出：OMC25 在PBE+D3 水平、通过 VASP 计算得到，若要复现计算，请使用fairchem.data.omc.scripts.create_vasp_inputs.py来写出兼容的 VASP 输入文件。该脚本在仓库中的实际位置为 src/fairchem/data/omc/scripts/create_vasp_inputs.py。

脚本用法与命令行参数

该脚本基于atomate2的 VASP 输入生成器（RelaxSetGenerator/StaticSetGenerator），并统一使用PBE_54_W_HASH赝势功能与auto_kspacing=True自动 K 点间距。核心命令行参数如下：

典型用法示例：

python src/fairchem/data/omc/scripts/create_vasp_inputs.py \ --type relax \ --input-dir /path/to/cifs \ --output-dir /path/to/vasp_inputs

脚本执行流程为：先按类型（relax/static）加载对应的 INCAR 设置并构造输入生成器；随后递归读取输入目录下所有 CIF 文件（借助 ASE 的read），跳过读取失败的结构并汇总错误报告；最后通过AseAtomsAdaptor转为 pymatgen 结构并调用write_vasp_input_set逐个写出 VASP 输入。已存在的输出目录会被跳过、不会覆盖，适合断点续跑。值得注意的是，脚本只支持relax与static两种类型，其他取值会抛出ValueError。

随仓库分发的 INCAR 设置

脚本依赖的 INCAR 配置位于 src/fairchem/data/omc/scripts/incars，共三份：

• incar_relax.yml：紧收敛结构弛豫（OMC25 数据集默认设置），离子步收敛判据EDIFFG = -1.0E-03 eV/Å；
• incar_relax_light.yml：轻量弛豫，EDIFFG = -1.0E-02 eV/Å（收敛标准放宽一个量级，速度更快）；
• incar_static.yml：静态单点计算（IBRION = -1、NSW = 0，不做离子步）。

三份配置共享的核心 DFT 参数如下：

通过对比可发现，OMC25 的计算设置以"高精度 + 紧收敛"为原则（高ENCUT、严格EDIFF/EDIFFG、ADDGRID与LASPH开启），这正是其作为力场训练数据质量保障的工程基础。若需自行复现或扩展数据集，只需按上述脚本与 INCAR 组合运行 VASP 即可得到与 OMC25 同协议（PBE+D3 / VASP）的标签。

OMC25 与 UMA 预训练模型

OMC25 数据集在 FAIR Chemistry 的模型生态中扮演"有机分子晶体"领域的训练基底。根据 docs/core/uma.md 对 UMA 各任务（omol、oc20、omat、odac、omc）的说明：

• omc任务对应 PBE+D3（VASP 实现）的理论水平，数据源即 OMC25；
• 典型应用场景为药物包装、仿生材料、有机电子器件与有机 LED；
• 使用限制：UMA 在 OMC 任务上未见过变化的电荷或自旋多重度，模型输入要求total_charge = 0、spin multiplicity = 0（即中性、闭壳层体系）。这意味着调用 UMA 模型做分子晶体推理时，必须保持体系电荷与自旋多重度为默认值，否则模型行为不保证。

预训练模型权重（eSEN 与 UMA 系列）与数据集一同托管于 HuggingFace（facebook/OMC25 与 facebook/UMA 仓库），权重以商业友好许可发布（含地域与可接受使用限制），详见 src/fairchem/data/omc/README.md。

引用规范

在研究中使用了 OMC25 数据集或面向分子晶体的预训练模型时，项目建议引用以下论文（该 BibTeX 同时收录于 docs/molecules/datasets/omc25.md 与 src/fairchem/data/omc/README.md）：

@misc{gharakhanyan2025openmolecularcrystals2025omc25dataset, title={Open Molecular Crystals 2025 (OMC25) Dataset and Models}, author={Vahe Gharakhanyan and Luis Barroso-Luque and Yi Yang and Muhammed Shuaibi and Kyle Michel and Daniel S. Levine and Misko Dzamba and Xiang Fu and Meng Gao and Xingyu Liu and Haoran Ni and Keian Noori and Brandon M. Wood and Matt Uyttendaele and Arman Boromand and C. Lawrence Zitnick and Noa Marom and Zachary W. Ulissi and Anuroop Sriram}, year={2025}, eprint={2508.02651}, archivePrefix={arXiv}, primaryClass={physics.chem-ph}, url={https://arxiv.org/abs/2508.02651}, }

小结

OMC25 为有机分子晶体领域提供了 2500 万+ 条带能量、力、应力标签的高质量 PBE+D3 训练数据。本文覆盖了从数据集概览、生成方法、*.aselmdb格式，到 HuggingFace 申请下载、ASE DB 配置接入，再到借助 create_vasp_inputs.py 与三份 INCAR 配置复现 VASP 计算的完整链路；同时结合 UMA 的 omc 任务说明澄清了模型使用的前提条件（中性、闭壳层输入）。对于希望在大规模分子晶体数据上训练或评测机器学习力场的开发者，这是一条可以直接上手的路径。

【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