UMA 吸附能预测：把几小时的 DFT 算力需求压进几秒钟

【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

做催化筛选时最磨人的从来不是单个 DFT 算不准，而是"算不完"。OCP（FAIR Chemistry 的机器学习化学库）里的 UMA 模型（Universal Models for Atoms，等变图神经网络架构）把结构优化加吸附能预测的整套流程从小时级拉到秒级，精度保持在 DFT 可用的范围内。它在一个约 5 亿条 DFT 样本的大数据集上训练，靠混合线性专家（MoLE，给不同化学环境动态路由参数的结构）撑起了高容量又不牺牲推理速度的目标。下面按真实工作流里最常碰到的几个问题来讲，以 OC20 类催化吸附场景为主线。

环境怎么快速搭好，模型从哪里拉？⚙️

装三个包就够：核心推理、OC 数据工作流、cattsunami 应用模块。

git clone https://gitcode.com/GitHub_Trending/oc/ocp cd ocp pip install fairchem-core fairchem-data-oc fairchem-applications-cattsunami

装完之后，模型权重不用手动下载。pretrained_mlip模块里注册了可用的模型名（如uma-s-1p2p1、uma-m-1p1），调用时会自动从 HuggingFace 拉取到~/.cache/fairchem缓存目录，并连带下载配套的元素参考能文件。文档推荐从uma-s-1p2p1起步，它是小模型最新补丁版，速度、精度和显存的平衡最好。私有仓库权限问题跑一次huggingface-cli login即可。

先想清楚：小模型还是大模型，任务名怎么选？

一句话结论：日常筛选用小的，最终确认用大的。

UMA 一个检查点会对应多个任务（task），任务名决定输出对齐哪套 DFT 泛函口径，可选值包括omol（有机分子）、oc20（催化表面）、omat（无机材料）、odac（MOF 捕碳）、omc（有机晶体）。算吸附能就选oc20，对应 RPBE 泛函的训练口径；换成omat得到的能量是另一套基准，直接混着比是没意义的。这个映射关系在 UMA 模型文档 里有完整的任务-数据集-应用场景对照表，选之前值得看一眼。

官方基准里 UMA 小模型（UMA-S）在力误差和 NVE 步耗时上同时优于多数同级模型，大模型（UMA-M）则用更高耗时换更低误差。推理时还可以用inference_settings控制编译开关（compile）、TF32 精度等，大原子数场景关掉 compile、打开 activation checkpointing 更稳，参考 速度基准配置 与 速度测试脚本 的写法。

吸附构型不用手摆：ocdata 工作流一次生成几十上百个

这是整个流程里最省事的一环。fairchem.data.oc提供了四个类——Bulk、Slab、Adsorbate、AdsorbateSlabConfig——串起来就是"体相 → 晶面 → 吸附"。

Bulk从体相数据库按 ID 取结构，Slab.from_bulk_get_specific_millers(bulk, specific_millers=(1,1,1))切出指定晶面，Adsorbate用 SMILES（如*CO，*标记绑定原子）从吸附质库里取结构，吸附质数据库就在 src/fairchem/data/oc/databases/pkls/ 下。最后是AdsorbateSlabConfig：给它 slab 和吸附质，再设num_sites控制采样点位数、mode控制放置策略（random全随机、heuristic启发式找 atop/bridge/hollow 位、random_site_heuristic_placement两者混合），一次就能产出一整列候选构型。完整用法见 ocdata 使用文档。

加载 UMA、算出吸附能，中间只隔一次结构优化

拿到构型后，加载模型、挂计算器、跑优化三件事各只有几行。

from fairchem.core import FAIRChemCalculator calc = FAIRChemCalculator.from_model_checkpoint( "uma-s-1p2p1", task_name="oc20", inference_settings="default", # 可换 "turbo" 启用 TF32 加速 ) atoms.calc = calc print(atoms.get_potential_energy())

from_model_checkpoint是官方教程推荐的入口：传模型名、task_name和推理档位就返回一个标准的 ASECalculator，inference_settings="turbo"会额外开启 TF32 换速度。挂到结构体上后，用QuasiNewton做几何弛豫（opt.run(fmax=0.05, steps=100)，即最力降到 0.05 eV/Å 或跑满 100 步停止），分别取吸附体系、裸表面、气相吸附质三个优化后的能量，就能代入吸附能定义：

E_ads = E(adslab) − E(slab) − E(adsorbate)

三个符号分别对应"催化剂+吸附质的整体能量""单独催化剂表面能量""气相中吸附质参考能量"。相减的意义在于扣掉催化剂和分子各自的本底，只留下两者相互作用的部分；这个量越负，通常意味着结合越强。

结果可信吗？⚡️ 轨迹异常过滤 + 和 DFT 对一遍

先过滤，再对比。结构优化跑完后，别急着算能量——有的轨迹里吸附质其实解离了或者干脆脱附跑了，这类结果留在统计里会直接污染分布。

from fairchem.data.oc.utils import DetectTrajAnomaly detector = DetectTrajAnomaly(initial, final, tags) valid = not ( detector.is_adsorbate_dissociated() or detector.is_adsorbate_desorbed() )

这个检测器在 cattsunami 里被大量使用，输入初末两帧结构和原子标签，就能判断解离与脱附。过滤之后再做定量校验：拿 UMA 预测的相互作用能和同批构型的 DFT 值画散点或差值直方图，绝大多数点应聚在零点附近的小偏差带内；系统性整体偏移时，优先检查参考能文件是否与检查点配套（用注册名加载会自动带上）、task_name是否和 DFT 泛函口径一致。

批量筛选怎么提速，卡住不收敛往哪查？

单构型流程跑通后，规模化就靠两个杠杆。一是把多个构型放进同一批推理（get_predict_unit支持workers参数做多进程并行，inference_settings="batch"面向异构输入），二是多 GPU 本地或 SLURM 提交，参考 集群提交配置 下的模板。

不收敛的排查顺序大致是：加步数（steps=300）→ 放宽力阈值（fmax=0.1）→ 检查初始构型是否原子严重重叠（生成时可调大interstitial_gap）。结果和 DFT 偏差大时，按"任务选错 → 参考能不配套 → 构型不合理"的顺序过一遍，绝大多数情况能定位。想再压精度的常规组合拳：换更大的模型档位、UMA 优化完结构后对关键构型做一次 DFT 单点校正、以及把num_sites调大覆盖更多初始位置。

更多场景可以看 官方催化教程 和 AdsorbML 应用，从单点吸附能到完整吸附机器学习筛选都有现成入口。

【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