FAIRChem v2 UMA for Multidomain Atomistic Simulation across Molecules, Catalysts, Materials, Vibrations, and Molecular Dynamics

FAIRChem v2 UMA：跨分子、催化、材料、振动和分子动力学的多领域原子模拟统一框架

机器学习原子间势近年来成为计算化学与材料科学领域的重要突破。Meta AI 旗下 FAIR 团队在开放催化剂等项目基础上推出的 FAIRChem 平台，如今发布了第二版通用机器学习原子间势 Universal Machine-Learning Interatomic Potential（UMA），并配以详尽教程，引起科研社区广泛关注。该框架通过单一预训练模型覆盖分子化学、催化反应和固态材料三大领域，为以往彼此割裂的模拟任务提供了统一的解决方案。 据 MarkTechPost AI 发布的教程介绍，UMA 的核心模型名为“uma-s-1p2”，其预训练权重托管在 Hugging Face 平台，需通过身份验证后方可获取。整个环境配置非常简便：只需运行几条 pip 指令即可安装 fairchem-core、ASE（原子模拟环境）、matplotlib 和 huggingface_hub 等依赖，无论是本地工作站还是 Google Colab 云端环境均能快速部署。框架会自动检测 GPU 并启用加速，大幅缩短计算时间。 安装后，用户通过加载 UMA 预测器，再分别实例化用于分子化学（omol）、催化（oc20）和无机材料（omat）的任务计算器，即可针对不同体系开展模拟。这种“一个模型、三种适配器”的设计，避免了为不同应用场景训练或切换多个势函数的繁琐工作。 教程以水分子为例，演示了单点能量和原子力的计算。通过计算孤立氢原子和氧原子（指定自旋多重度）的能量，构建了水分子的原子化能，结果约为 9.5 eV，与实验值高度一致（未计入零点能修正）。这一过程验证了 UMA 在分子体系热化学计算中的准确性。 在几何优化案例中，教程将一个结构扭曲的水分子使用 L-BFGS 优化器进行弛豫。仅用数十步迭代，分子的 O-H 键长收敛至 0.958 Å，H-O-H 键角约为 104.5°，与实验值吻合。优化过程中的能量下降曲线直观反映了收敛行为，表明 UMA 势能面在平衡位置附近具有良好的光滑度和准确性。 UMA 对电子自旋态的自然区分是另一大亮点。在计算亚甲基（CH₂）的单线态与三线态能隙时，只需在原子信息中指定 spin 参数，模型即可分别预测两个自旋态的能量。教程结果显示，三线态能量比单线态低约 0.39 eV，与实验测量的能隙相符。这一能力对于涉及过渡金属配合物、自由基和自旋交叉体系的研究尤其重要。 反应能量估算方面，教程选取了甲烷燃烧反应（CH₄ + 2O₂ → CO₂ + 2H₂O）作为测试。先分别对四种分子进行结构优化，然后计算反应前后的电子能量差，所获得的数值约为 890 kJ/mol（乘换算因子后），与燃烧焓的数量级一致。这说明 UMA 即使不包含热力学修正，也能为反应热提供可靠的参考。 振动分析是该框架与 ASE 振动模块结合的经典应用。教程对优化后的水分子进行了有限位移振动计算，得到三个活跃模式：弯曲（1595 cm⁻¹）、对称伸缩（3657 cm⁻¹）和反对称伸缩（3756 cm⁻¹），与实验值相差无几。模型还准确给出了零点能，进一步证明其在平衡结构附近势能曲面的精度。 在催化领域，UMA 展现了处理表面吸附的便利性。教程以 CO 在 Cu(100) 表面的吸附为例，构建了周期性非正交平板模型，固定底层原子后优化吸附结构，最终获得稳定的吸附构型和能量。整个过程只需调用催化计算器，无需手动调整参数，大大简化了异相催化中常用的计算流程。 UMA 的材料计算器则面向周期性固体体系，支持晶胞弛豫、状态方程拟合、分子动力学轨迹模拟以及势能面扫描等功能。尽管教程并未对这些任务进行逐一展开，但三合一任务体系的设计足以让研究者从一个统一入口出发，开展从单个分子到块体材料的跨尺度模拟。 整体而言，FAIRChem v2 UMA 的发布标志着原子模拟工具走向通用化的重要一步。它降低了学习不同势函数和软件栈的负担，使得计算化学、催化、材料等多领域的研究者能够使用同一套语言开展模拟。通过精心设计的预训练任务适配策略，模型能够在不同体系中保持较高的精度，並充分利用 GPU 加速提升效率。目前完整教程和代码已在 MarkTechPost AI 开放，为多学科交叉研究提供了可直接上手的统一平台。