FAIRChem v2 UMA统一多域原子模拟平台发布，覆盖分子、催化剂与材料

发布概览

FAIRChem 项目在最新的 v2 版本中引入了 UMA（Universal Machine‑learning Interatomic potential）模型，首次实现了 跨分子、催化剂、材料三大域的统一学习势。该模型托管于 Hugging Face，用户只需登录获取访问令牌，即可在 Google Colab 或本地 GPU 环境中直接加载 uma‑s‑1p2 权重。FAIRChem 提供的 FAIRChemCalculator 与 ASE（Atomic Simulation Environment）深度集成，实现了从单点能量到分子动力学全流程的即插即用。

关键特性

统一模型：同一套预训练权重支持 omol（分子化学）、oc20（催化表面）和 omat（材料）三大任务，无需为每个子领域单独训练模型。
GPU 加速：自动检测 CUDA 环境，支持多卡并行推理，显著提升大规模 MD 与 EOS 计算速度。
完整工作流：提供从结构构建、几何优化、振动频率计算、反应能估算到分子动力学的端到端示例脚本。
可视化支持：集成 Matplotlib 与 ASE 可视化工具，实时展示能量收敛曲线、势能面和 MD 轨迹。
开放访问：模型权重通过 Hugging Face 的 gated repository 公开，科研人员可自由下载并二次开发。

多域应用示例

1. 分子能量与几何优化（omol）

计算水分子单点能量 E(H2O) = -14.23 eV，并通过 LBFGS 优化恢复实验键长 0.958 Å 与键角 104.5°。
评估 CH₂ 的单线态‑三线态能隙，得到 ΔE = -0.42 eV，与实验值接近。

2. 催化表面吸附（oc20）

在 Cu(100) 表面上构建 CO 吸附模型，完成几何优化后得到 吸附能约 -0.68 eV（相对 DFT 基准的粗略估计）。
示例展示了如何在同一脚本中分别计算干净表面、气相 CO 与吸附体系的能量，形成完整的能量循环。

3. 材料体积弹性（omat）

对 BCC 铁进行全胞体积扫描，使用 Birch‑Murnaghan EOS 拟合得到 体积模量约 170 GPa，与实验值相符。
演示了 FrechetCellFilter 与 FIRE 优化器的协同使用，实现晶格常数的高效收敛。

4. 分子动力学（omol）

采用 Langevin MD 对水分子在 300 K 下进行 0.5 ps 模拟，实时记录温度、势能以及 O‑H 键长，验证了模型在有限温度下的能量守恒表现。

行业影响与前景

FAIRChem v2 UMA 的发布标志着 机器学习势在科研计算中的统一化迈出了关键一步。传统上，科研团队需要为每类化学问题训练独立的势能模型，导致数据收集与模型维护成本高企。UMA 通过跨域共享表示，降低了模型开发门槛，同时保持了对高精度 DFT 基准的接近水平。对于材料研发、催化剂筛选以及药物分子动力学等场景，研究者可以快速在同一平台上切换任务，加速概念验证与迭代。未来，FAIRChem 团队计划推出更高精度的 uma‑m‑1p1 变体，并支持多 GPU 分布式推理，以满足大尺度模拟需求。

行业观点：AI 驱动的原子模拟正从“专用模型”向“通用潜能”转型，FAIRChem UMA 为此提供了可落地的技术路径，预计将在学术论文与工业研发中快速复制。

如需获取完整代码与模型权重，请访问 FAIRChem 官方文档（https://fair-chem.github.io/），并在 Hugging Face 上完成身份验证后下载。