企业官网建设流程全解析

fairchem 实战指南：用 UMA 机器学习势替代 DFT，把催化模拟提速三个数量级

【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

当你提交一个 DFT 作业去弛豫铜表面的吸附质，等几何收敛时 GPU 队列已经排了两天。fairchem（FAIR Chemistry 团队开源的机器学习势模型库）给出更现实的路线：用预训练势模型 UMA 承接几何优化、分子动力学和高通量筛选，把单步能量/力评估从分钟级压到毫秒级，让你做催化、材料、分子研究的开发者先用 MLIP 筛出候选体系，再把关键构型送 DFT 精算。

这篇实战指南讲三件事：UMA 的任务路由如何让一个模型覆盖 7 个领域、10 行代码拿到第一个弛豫结果、以及选参数和版本时哪些坑不能踩。

一个模型接 7 类任务：UMA 的任务路由

fairchem 的核心不是一堆孤立模型，而是一套预训练势 + 数据工具链。最重要的是 UMA（Universal Model for Atoms）：一个等变 GNN，在 5 亿以上 DFT 样本上训练。它的关键设计是任务路由——推理时传入一个task参数，对应不同 DFT 能级：

目前主用两个 checkpoint：uma-s-1p2p1（6.6M 激活 / 290M 总参数，最快）与uma-m-1p1（50M 激活 / 1.4B 总参数，精度最高）。模型代码在 src/fairchem/models/uma/，计算器封装在 src/fairchem/core/calculate/。

MoLE 路由让高参数量与快速推理并存

UMA 用 5 个数据集混训，训练配置见 configs/uma/training_release/uma_md_direct_pretrain.yaml，关键超参：

num_moe_experts: 32 cutoff_radius: 6 steps: 2080000 # 80B atoms, 128 ranks, max_atoms 350 bf16: True dataset_list: ["oc20", "omol", "omat", "odac", "omc"]

快速验证：10 行代码跑一次表面吸附位点松弛

上手的最低门槛是FAIRChemCalculator，直接插进任何 ASE 工作流：

pip install fairchem-core huggingface-cli login # 需 HF 账号并申请过 UMA 模型访问权限

from ase.build import fcc100, add_adsorbate, molecule from ase.optimize import LBFGS from fairchem.core import pretrained_mlip, FAIRChemCalculator predictor = pretrained_mlip.get_predict_unit("uma-s-1p2p1", device="cuda") calc = FAIRChemCalculator(predictor, task_name="oc20") slab = fcc100("Cu", (3, 3, 3), vacuum=8, periodic=True) add_adsorbate(slab, molecule("CO"), 2.0, "bridge") slab.calc = calc LBFGS(slab).run(0.05, 100)

弛豫收敛后slab.calc可直接取能量和力；把优化器换成Langevin就能跑分子动力学。多卡场景在get_predict_unit里加workers=8即可，库内部基于 Ray 自动处理多 GPU 并行，且兼容 LAMMPS 做大规模动力学。

📊 精度与速度怎么算数：OMol25 基准数据

MLIP 总被追问"跟 DFT 差多少"。benchmarks/omol/ 给出可复现的量化口径，两项指标：

• 精度：OMol25 验证集全部 2,720,091 个 ωB97M-V 结构上的力 MAE
• 速度：1296 原子 ice-Ih 体系上单个 ASE NVE 步的均值（NVIDIA H200，UMA 用 turbo 模式）

横轴 NVE 步耗时（ms），纵轴力 MAE（meV/Å）

复现脚本就在同目录：speed.py计时、force_mae.py算精度，数据可切 200 份多卡并行。对高通量筛选来说，关键问题是"排序对不对"，而不是"单点误差是否小于 1 meV/Å"——这个基准的数据密度足以支撑该判断。

高吞吐筛选：CatTSunami 批量枚举 NEB 过渡态

做催化活性研究经常要枚举大量反应路径找决速步，而单条 DFT NEB 每一帧都要几十次 SCF 迭代。仓库里的 src/fairchem/applications/cattsunami/ 正是针对这个痛点：用 OC20 训练的 ML 模型跑 NEB，关键路径再回 DFT 校验。

ML-NEB 相对 DFT-NEB 的加速幅度与成功率先对比

验证集为 932 条收敛的 DFT NEB 轨迹（脱附、解离、转移三类反应，源自 2827 次运行）。论文报告相对 DFT 最高约 2200 倍加速、约 70% 成功率——失败轨迹会被自动识别并回退 DFT。路径筛选思路：先围绕初始吸附位点枚举产物位点，按能量筛选，再弛豫，只保留有效中间体。

分步筛选把无效位点的计算开销挡在弛豫之前

CatTSunami 是独立安装包pip install fairchem-applications-cattsunami，教程 notebook 在其tutorial/子目录。

🔧 踩坑清单：任务参数、版本兼容与数据边界

任务路由参数：填错比不填更糟

• oc20/omat/odac/omc任务未训练过变电荷与自旋，输入须 charge=0、spin=0；只有omol接受非零电荷与自旋多重度
• oc22、oc25任务仅 UMA-1.2 checkpoint 可用
• omol训练数据全为非周期体系，周期体系慎用；oc20不含氧化物与显式溶剂
• OMat24 的总能量标签与 Materials Project 设置不兼容，算生成能时不要混用 MP 参考值，说明见 README.md 开头

版本与安装

• UMA 1.0 checkpoint 在新版中不再受支持，直接加载会抛RuntimeError；确需 1.0 请装fairchem-core<=2.21.0
• 官方基准环境为fairchem-core==2.22.0，该版本 UMA-S turbo 推理再提速约 50%
• 数据集下载与预处理（含 OC20 S2EF 的 LMDB 转换）统一走 src/fairchem/core/scripts/download_data.py，OC 数据工具在 src/fairchem/data/oc/

下一步动作：git clone https://gitcode.com/GitHub_Trending/oc/ocp拉下源码，或直接pip install fairchem-core按上面 10 行代码跑一次 CO 在 Cu(100) 上的弛豫——量一次单步评估耗时，你就知道自己的筛选流程值不值得迁到 MLIP。

【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