FAIRChem机器学习势函数指南：5分钟预测催化与材料性能

【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

一次催化剂筛选跑几十上百个构型，每个构型的 DFT 单点计算都要几小时，队列一挂就是好几天。FAIRChem 是 Meta FAIR Chemistry 团队开源的化学机器学习工具库：内置在 5 亿个 DFT 样本上训练的 UMA 模型，毫秒级给出原子体系的能量、力与应力。结构、吸附能、结构弛豫、分子动力学，一套 ASE 接口全搞定。

核心内容：FAIRChem 比 DFT 快多少

• UMA 在 5 亿个 DFT 计算、500 亿个原子上训练，uma-s-1p2p1激活参数仅 6.6M，单次推理是毫秒级
• 一个模型覆盖催化、无机材料、分子、MOF 等 7 个任务域，靠task_name切换
• 2026 年 3 月发布的 UMA 1.2 比 1.1 快约 50%，分子基准准确率提升约 40%

日常使用装核心包并登录 Hugging Face（UMA 是受限仓库）：

pip install fairchem-core huggingface-cli login

能力地图：按应用场景选任务

异相催化：oc20 / oc22 / oc25 任务

oc20覆盖金属表面反应，oc22针对氧化物催化，oc25面向含显式溶剂的电催化界面。每个任务对应一套 DFT 泛函，选任务就是选理论层级。催化研究用它做吸附能排序、反应路径和过渡态搜索。

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)

无机材料：omat 任务与晶体弛豫

omat基于 OMat24 数据集（PBE/PBE+U，VASP 参数）训练，额外输出应力，因此可以连同晶胞一起弛豫。适合做弹性常数、声子、合金稳定性等体相性质，服务新材料筛选。

分子与聚合物：omol 任务

omol基于 OMol25 数据集（ωB97M-V/def2-TZVPD，ORCA6）训练，覆盖有机分子、药物中间体、聚合物和均相催化。注意它只在非周期数据上训练，且必须显式给出电荷和自旋多重度。

MOF 与直接空气捕集：odac 任务

odac基于 ODAC23 数据集训练，专攻 CO₂ 与 H₂O 在 MOF 中的吸附，直接空气捕集筛材是典型场景。MOF 框架本身有柔性，吸附构象会带着骨架一起变形，模型需要把这点算进去。

完整实战：CO 在 Cu(100) 表面的弛豫与吸附能

下面这条链走一遍 FAIRChem 最常用的流程：搭结构 → 挂上计算器 → 弛豫 → 算吸附能。

from ase.build import fcc100, add_adsorbate, molecule from ase.io import read 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") def bind(system): system.calc = FAIRChemCalculator(predictor, task_name="oc20") return system slab = bind(fcc100("Cu", (3, 3, 3), vacuum=8, periodic=True)) add_adsorbate(slab, molecule("CO"), 2.0, "bridge") co_gas = bind(read("co.xyz")) # 气相 CO 参考态 LBFGS(slab).run(0.05, 100) # 结构弛豫 e_slab = bind(slab.copy()).get_potential_energy() e_ads = slab.get_potential_energy() - e_slab - co_gas.get_potential_energy() print(f"E_ads = {e_ads:.3f} eV")

输入是三行 ASE 代码搭出的 Cu(100) 加 CO 吸附体系，中间由 UMA 提供每一步的能量和力，输出是弛豫后构型与吸附能。同一套写法换task_name="omat"就是晶体弛豫，换Langevin就是分子动力学。

上图来自仓库内置基准：纵轴是 OMol25 验证集 270 万个结构上的力 MAE，横轴是 H200 上 1296 原子冰-Ih 体系每一步 NVE 的耗时。UMA 的卖点正落在这条曲线上——精度对标专用模型，速度明显更快。

进阶：多GPU并行与推理加速

两个关键参数控制吞吐：

• inference_settings="turbo"：开启 TF32，长时分子动力学首选
• workers=N：自动切分计算，支持多 GPU、多节点并行，兼容 LAMMPS 大规模动力学

predictor = pretrained_mlip.get_predict_unit( "uma-s-1p2p1", inference_settings="turbo", device="cuda", workers=8, seed=seed, )

多 GPU 推理需要 extras 依赖：

pip install "fairchem-core[extras]"

避坑速查：新手最常卡住的5个问题

• 加载 UMA 报 401 Unauthorized→ UMA 在 Hugging Face 上是受限仓库 → 先去申请 UMA 仓库访问权限，再huggingface-cli login
• 分子算出的能量离谱→omol需要电荷与自旋多重度，默认未必对 →atoms.info.update({"charge": 0, "spin": 1})显式指定
• 周期性体系拿 omol 任务算，结果不稳→ omol 只用非周期数据训练 → 晶格体系改用omat、omc或odac
• 跨任务比较能量→ 不同 task 对应不同 DFT 泛函与基组，基准不同 → 只在同一 task 内比较能量差
• turbo 模式不生效或结果异常→ TF32 需要 Ampere（A100）及以上架构 → 老 GPU 改回inference_settings="default"

资源导航

• 快速上手教程
• UMA 模型与任务指南
• 常见问题 FAQ
• 核心源码
• 精度-速度基准脚本

FAIRChem 的核心价值一句话：用图神经网络在 5 亿个 DFT 样本上学出的通用势函数，把原本要跑数天的能量和力计算压进毫秒级。最小行动：装好fairchem-core，先跑通上文 CO/Cu 弛豫那段，10 分钟内你会拿到第一个可信的吸附能。

【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