UMA 模型完整指南如何用 fairchem 三步跑通 DFT 级预测与分子动力学【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 是 fairchemFAIR Chemistry项目里的通用原子模型一次推理就能替代大部分 DFT 调用覆盖分子、无机材料、催化表面和 MOF 的原子级预测。传统流程里一次结构弛豫往往要排队跑上集群数小时UMA 单步推理是毫秒级的1296 原子体系单步约 50ms结构弛豫和短轨迹分子动力学从数小时压到数分钟。默认模型uma-s-1p2p1只有 6.6M 活跃参数总计 290M单卡即可跑起来。一分钟看懂 UMA 原理MoLE 线性专家混合是怎么省算力的UMA 是一个等变图神经网络把原子当图的节点、相互作用当边来算。核心在 MoLEMixture of Linear Experts架构一组专家子网络并联每次前向由路由函数按任务和元素组成挑出该用哪些专家类似医院分诊台按症状把病人分到对应科室。好处是总参数能大到装下约 5 亿条 DFT 训练样本而实际计算只动几百万活跃参数速度不受总参数拖累。模型还以能量守恒为约束训练长轨迹分子动力学更稳。首次运行路线从装环境到拿到第一个能量的 3 步第一步装包和申请模型。pip install fairchem-core装代码模型权重在 Hugging Face 上属于 gated需要先有账号、申请 UMA 仓库访问再执行huggingface-cli login。首次运行卡住多半是 token 没写入或申请未通过。若要改源码git clone https://gitcode.com/GitHub_Trending/oc/ocp后按仓库说明安装。第二步按研究域选任务对应task_name参数omol分子与聚合物需传电荷和自旋omat无机材料同时预测应力适合晶胞弛豫oc20/oc22/oc25催化、氧化物催化、电催化odacMOF 与直接空气捕集omc分子晶体第三步拿第一个结果。用pretrained_mlip.get_predict_unit(uma-s-1p2p1, devicecuda)加载模型挂上FAIRChemCalculator再对着 ASE 的 atoms 对象取能量和力即可完整走查见 docs/core/quickstart.md。能拿到什么结果仓库里 3 个可验证的场景分子力预测与 MD 速度。仓库基准在 OMol25 验证集全部 272 万个结构上评估uma-s-1p2p1力 MAE 约 7.5 meV/Å1296 原子冰 Ih 体系单步 NVE 约 50msNVIDIA H200。对照 MACE-POLAR-1-M 约 12 meV/Å、约 230ms/step——精度更好、单步时间不到对方四分之一一条皮秒级轨迹的耗时被压到秒级。无机晶体弛豫。omat任务对 Fe 体相做 FIRE 弛豫因为模型同时给出应力ASE 可以连原子位置带晶胞一起优化输出弛豫能量、力、应力和新晶胞参数。催化反应过渡态搜索。CatTSunami 模块用oc20任务批量枚举 NEB 帧。OC20NEB 验证集含 932 条 DFT NEB 反应脱附、解离、迁移三类纯 ML 流水线相对全 DFT 加速 2200 倍、成功率 70%加 2 次 DFT 后成功率升到 91%、仍加速 28 倍。适用性与局限UMA 模型能做什么、边界在哪访问限制代码是 MIT 许可但模型权重在 Hugging Face 上 gated必须申请访问uma-m-1p1精度更高但显存占用大默认建议uma-s-1p2p1。硬件示例均用 cuda多卡、多节点并行走 Ray需pip install fairchem-core[extras]。理论边界omat任务与 Materials Project 的 DFT 设置不兼容做形成能、能量差比较时要用 OMat24 自己的参考值omol训练数据全是非周期体系周期结构要谨慎omat、odac、oc20不接受任意电荷和自旋输入oc25不提供功函数需要时得回 DFT。UMA 适合在 DFT 级别验证假设、批量筛选和跑长轨迹。模型架构细节、七个任务对应的理论层级和基准复现脚本见 docs/core/uma.md 与 benchmarks/omol/README.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 
长河君 · 2026/10/21 3:51:47 · 阅读 1.2k UMA 模型完整指南：如何用 fairchem 三步跑通 DFT 级预测与分子动力学
UMA 模型完整指南如何用 fairchem 三步跑通 DFT 级预测与分子动力学【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 是 fairchemFAIR Chemistry项目里的通用原子模型一次推理就能替代大部分 DFT 调用覆盖分子、无机材料、催化表面和 MOF 的原子级预测。传统流程里一次结构弛豫往往要排队跑上集群数小时UMA 单步推理是毫秒级的1296 原子体系单步约 50ms结构弛豫和短轨迹分子动力学从数小时压到数分钟。默认模型uma-s-1p2p1只有 6.6M 活跃参数总计 290M单卡即可跑起来。一分钟看懂 UMA 原理MoLE 线性专家混合是怎么省算力的UMA 是一个等变图神经网络把原子当图的节点、相互作用当边来算。核心在 MoLEMixture of Linear Experts架构一组专家子网络并联每次前向由路由函数按任务和元素组成挑出该用哪些专家类似医院分诊台按症状把病人分到对应科室。好处是总参数能大到装下约 5 亿条 DFT 训练样本而实际计算只动几百万活跃参数速度不受总参数拖累。模型还以能量守恒为约束训练长轨迹分子动力学更稳。首次运行路线从装环境到拿到第一个能量的 3 步第一步装包和申请模型。pip install fairchem-core装代码模型权重在 Hugging Face 上属于 gated需要先有账号、申请 UMA 仓库访问再执行huggingface-cli login。首次运行卡住多半是 token 没写入或申请未通过。若要改源码git clone https://gitcode.com/GitHub_Trending/oc/ocp后按仓库说明安装。第二步按研究域选任务对应task_name参数omol分子与聚合物需传电荷和自旋omat无机材料同时预测应力适合晶胞弛豫oc20/oc22/oc25催化、氧化物催化、电催化odacMOF 与直接空气捕集omc分子晶体第三步拿第一个结果。用pretrained_mlip.get_predict_unit(uma-s-1p2p1, devicecuda)加载模型挂上FAIRChemCalculator再对着 ASE 的 atoms 对象取能量和力即可完整走查见 docs/core/quickstart.md。能拿到什么结果仓库里 3 个可验证的场景分子力预测与 MD 速度。仓库基准在 OMol25 验证集全部 272 万个结构上评估uma-s-1p2p1力 MAE 约 7.5 meV/Å1296 原子冰 Ih 体系单步 NVE 约 50msNVIDIA H200。对照 MACE-POLAR-1-M 约 12 meV/Å、约 230ms/step——精度更好、单步时间不到对方四分之一一条皮秒级轨迹的耗时被压到秒级。无机晶体弛豫。omat任务对 Fe 体相做 FIRE 弛豫因为模型同时给出应力ASE 可以连原子位置带晶胞一起优化输出弛豫能量、力、应力和新晶胞参数。催化反应过渡态搜索。CatTSunami 模块用oc20任务批量枚举 NEB 帧。OC20NEB 验证集含 932 条 DFT NEB 反应脱附、解离、迁移三类纯 ML 流水线相对全 DFT 加速 2200 倍、成功率 70%加 2 次 DFT 后成功率升到 91%、仍加速 28 倍。适用性与局限UMA 模型能做什么、边界在哪访问限制代码是 MIT 许可但模型权重在 Hugging Face 上 gated必须申请访问uma-m-1p1精度更高但显存占用大默认建议uma-s-1p2p1。硬件示例均用 cuda多卡、多节点并行走 Ray需pip install fairchem-core[extras]。理论边界omat任务与 Materials Project 的 DFT 设置不兼容做形成能、能量差比较时要用 OMat24 自己的参考值omol训练数据全是非周期体系周期结构要谨慎omat、odac、oc20不接受任意电荷和自旋输入oc25不提供功函数需要时得回 DFT。UMA 适合在 DFT 级别验证假设、批量筛选和跑长轨迹。模型架构细节、七个任务对应的理论层级和基准复现脚本见 docs/core/uma.md 与 benchmarks/omol/README.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