UMA 模型实战用等变图网络加速材料模拟【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/ocpUMA 模型是 FAIR Chemistry 发布的通用原子势模型家族基于等变图神经网络在 5 亿个 DFT 样本上训练覆盖催化、分子、MOF 等 6 类理论级别。其中小模型 uma-s-1p2 仅有 660 万活跃参数总参数 2.9 亿。解读 MoLE 路由机制UMA 的关键设计是 Mixture of Linear ExpertsMoLE模型持有大的参数池推理时依据任务、电荷、自旋和元素组成等输入选出要使用的参数子集类似总机话务员把来电接到对应分机。uma-s-1p2 因此总参数 2.9 亿单次前向只激活 660 万同时保持能量守恒力由能量梯度导出与快速推理。与需要按领域切换模型的其他多域 MLIP 相比UMA 用同一组权重覆盖 oc20、omat、omol、omc、odac、oc25 等任务推理时只改变传入的 task_name。准备 UMA 环境与模型访问安装 fairchem-core 依赖要求 Python 3.10通过 pip 安装pip install fairchem-core需要多 GPU 并行推理workersN时改装 extras 包pip install fairchem-core[extras]。若要从源码修改代码克隆仓库git clone https://gitcode.com/GitHub_Trending/oc/ocp申请模型权重访问权限权重托管在 Hugging Face 的 facebook/UMA 仓库先创建账号并申请该仓库访问审批通过后执行 huggingface-cli login。代码按模型名加载权重例如 uma-s-1p2。验证推理环境predictor pretrained_mlip.get_predict_unit(uma-s-1p2, devicecuda) calc FAIRChemCalculator(predictor, task_nameoc20)计算器实例化后即可挂载到任意 ASE atoms 对象上计算能量与力。选择 UMA 任务并跑通首次计算任务选择是 UMA 的使用边界每个任务对应一种 DFT 理论级别。表面催化oc20输入为吸附质-表面结构对应 RPBEVASP5.4无色散校正。过程用 ASE 搭建 slab 并挂载计算器调用 LBFGS 弛豫。输出为弛豫后的几何与吸附能例如 CO 在 Cu(100) bridge 位 100 步内弛豫到 0.05 eV/ÅCO2RR 筛选可用同样流程对候选材料排序。无机材料omat输入为体相或晶体结构对应 PBE/PBEUVASP。过程FIRE 配合 FrechetCellFilter 同时弛豫原子与晶格。输出为总能量与应力张量。注意训练标签是 DFT 总能量与 Materials Project 参考不兼容计算形成能时应采用 OMat24 仓库中的同系一元参考。分子与 MOFomol / odacomol 对应 wB97M-V/def2-TZVPDORCA6需传入总电荷与自旋多重度支持 Langevin 动力学如 400 K 水 1000 步轨迹与单双三重态能差计算。odac 对应 PBED3训练数据仅含 CO2/H2O 捕获对 WOBHEB 这类新框架建议先用 DFT 复核吸附能。对比性能指标与适用边界指标uma-s-1p2uma-m-1p1活跃参数660 万5000 万总参数2.9 亿14 亿UMA-1.2 版本较 1.1 快约 50%在 Open Molecules 测试集上精度提升约 40%。8×H100 场景下8000 原子 MD 约 10 qps约为单卡的 10 倍官方基准显示小模型在 10 万原子以上体系可按每天约 1 ns 推进轨迹。当前边界除 omol 外各任务均要求 total_charge0、自旋0oc25 与 oc22 任务仅 UMA-1.2 提供odac 对 CO2/H2O 以外体系的精度未经验证。规划后续两个验证动作上述环境就绪后建议先跑通 README.md Quick Start 中的表面弛豫与 MD 示例在自己体系上感受能量与力的误差量级如需量化精度再按 configs/uma/benchmark 下的配置跑一个小基准。任务-理论级别的完整对照表与下载流程见项目文档 docs/core/uma.md。【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