用 UMA 模型把吸附能计算压到秒级一条可复制的 OCP 催化筛选流水线【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/ocpDFT 跑一个吸附构型一天还没收敛是催化筛选里的常态。Open Catalyst ProjectOCP把 UMA 模型封装成开箱即用的机器学习势MLIP用神经网络代替哈密顿量算能量和力让 GPU 上的吸附能预测进入秒级计算。下面这张图是 OCP 生成吸附构型的标准流水线体相晶体 → 表面切片 → 吸附质放置 → 标准化输入OCP 训练数据都走这套流程。为什么用 UMA 模型而不是 DFT维度DFTUMA 模型速度单构型弛豫小时到天级单点秒级百原子弛豫数秒精度基准吸附能相对 DFT 约 0.1 eV 量级偏差筛选够用参数量 / 成本随体系增大需更大算力集群uma-s-1p2 激活约 660 万参数单卡即可适用规模每个材料几十构型每个材料上千构型甚至整面体动力学MD关键不是模型准而是试错成本降了两个数量级UMA 负责把初筛做到几百构型一锅出DFT 留在最后做验证位两边各干各的。五分钟跑通最小示例UMA 模型使用方法克隆与安装git clone https://gitcode.com/GitHub_Trending/oc/ocp cd ocp pip install fairchem-core fairchem-data-oc认证与模型拉取UMA 权重放在 HuggingFace 且为 gated 仓库注册 HuggingFace 账号并申请facebook/UMA的访问权限批准后本地登录huggingface-cli login确认已注册的模型名单from fairchem.core import pretrained_mlip print(pretrained_mlip.available_models) # (uma-s-1p2p1, uma-s-1p2, uma-s-1p1, uma-m-1p1, ...)首次调用get_predict_unit时checkpoint 和元素参考能量文件会自动下载到~/.cache/fairchem不用手动搬权重。出第一个预测结果先算气相 CO2 的能量跑通即算环境就绪from fairchem.core import FAIRChemCalculator, pretrained_mlip from ase.build import molecule predictor pretrained_mlip.get_predict_unit(uma-s-1p2, devicecuda) calc FAIRChemCalculator(predictor, task_nameomol) co2 molecule(CO2) co2.calc calc print(co2.get_potential_energy()) # 约 -11 eV含元素参考能非裸总能量task_name决定模型使用哪套参考能量体系分子体系用omol表面体系用oc20混用会让后续所有结果偏移一个常数。从表面到吸附能三步完整工作流这一节把 CO2 在 Cu(111) 上的吸附能从头算到排出序全程 三条代码块。步骤 1 · 构建催化表面与吸附构型这步的活是批量生成CO2 放在 Cu(111) 面上的初始结构。OCP 的 structure_generator.py 流水线被封装成四个对象几行就能取用from fairchem.data.oc.core import Bulk, Slab, Adsorbate, AdsorbateSlabConfig bulk Bulk(bulk_src_id_from_dbmp-30) # CuMaterials Project ID slab_objs Slab.from_bulk_get_specific_millers(bulkbulk, specific_millers(1, 1, 1)) co2 Adsorbate(adsorbate_smiles_from_db*CO2) # * 标记成键原子 adslabs AdsorbateSlabConfig( slab_objs[0], co2, moderandom_site_heuristic_placement, num_sites20, ) print(len(adslabs.atoms_list)) # 20 个初始吸附构型num_sites控制采样的表面位点数量给得越大越不容易漏掉低能构型random_site_heuristic_placement会把成键原子直接落在位点上初始结构离终态更近收敛更快。步骤 2 · 批量结构优化ASE UMA 计算器每个构型用 ASE 的 QuasiNewton 弛豫到 0.05 eV/Å 的力阈值UMA 只负责供能量和力。顺手用自带的轨迹异常检测把 CO2 解离、脱附的构型过滤掉避免污染吸附能统计from ase.optimize import QuasiNewton from fairchem.core import FAIRChemCalculator, pretrained_mlip from fairchem.data.oc.utils import DetectTrajAnomaly predictor pretrained_mlip.get_predict_unit(uma-s-1p2, devicecuda) calc FAIRChemCalculator(predictor, task_nameoc20) e_adslabs [] for i, adslab in enumerate(adslabs.atoms_list): init adslab.copy() adslab.calc calc adslab.pbc True QuasiNewton(adslab, trajectoryfdata/co2_{i}.traj).run(fmax0.05, steps100) det DetectTrajAnomaly(init, adslab, adslab.get_tags()) if det.is_adsorbate_dissociated() or det.is_adsorbate_desorbed(): continue e_adslabs.append(adslab.get_potential_energy())检测逻辑在 flag_anomaly.py还提供表面重构、插层两类检查按体系需要加进过滤条件即可。步骤 3 · 吸附能计算与结果排序吸附能批量计算吸附能 吸附体系能量 − 清洁表面能量 − 气相分子能量。两个参考能量必须和 adslab 用同一收敛标准算否则差值没有意义import pandas as pd from ase.build import molecule slab slab_objs[0].atoms slab.calc calc slab.pbc True QuasiNewton(slab, trajectorydata/cu_slab.traj).run(fmax0.05, steps100) e_slab slab.get_potential_energy() gas molecule(CO2) gas.calc FAIRChemCalculator(predictor, task_nameomol) e_gas gas.get_potential_energy() df pd.DataFrame({idx: range(len(e_adslabs)), E_ads: [e - e_slab - e_gas for e in e_adslabs]}) print(df.sort_values(E_ads).head()) # 最负的吸附能 结合最强构型到这里排序好的吸附能表已经出来——同样的流程用 DFT 走大概还在排队提交VASP作业。性能调优与精度取舍机器学习势函数催化实战⚡ 单构型调试用默认配置即可规模上来后动这三个旋钮并行get_predict_unit(..., workers8)会创建 ParallelMLIPPredictUnit把结构分批喂进并行队列大批量单点再加inference_settingsturbo启用 compile 快速路径。模型档位uma-s-1p2快筛候选体系换uma-m-1p1精算参数约四倍精度同步提升uma-s-1p1/uma-s-1p2p1是更小变体适合快速试体系。任务模式oc20催化表面、oc25电催化、omat无机材料、omol分子与气相、omc分子晶体。每个任务挂独立的参考能量体系表面必须 oc20、气相必须 omol。精度换速度的取舍关系在力 MAE 对比推理吞吐量的曲线里能看得很清楚排错三问Q1模型下载失败或 401权重是 gated 的先在 HuggingFace 申请facebook/UMA访问权限再huggingface-cli login无外网的机器把.pt权重和参考能量 yaml 手动放进~/.cache/fairchem。Q2显存溢出OOM给get_predict_unit传overrides{max_atoms: ...}限制单批最大原子数批量单点交给 SinglePointRunner 分块处理让 batcher 自动切分超大 batch。Q3与 DFT 偏差大按顺序查①task_name是否与体系匹配② 参考能量是否随模型正常下载③ 系统偏差在 ~0.1 eV 内一般筛选可用边界候选换uma-m-1p1重算或 DFT 单点校正。OCP 催化剂筛选规模化筛选与结果可视化几百上千个构型就不建议手写了 for 循环。fairchem.core.components.calculate里的RelaxationRunner支持num_jobs分片整批跑结果写成.json.gz中断后也好续跑from fairchem.core.components.calculate import RelaxationRunner runner RelaxationRunner( calculatorcalc, # 前面建好的 FAIRChemCalculator input_dataadslabs.atoms_list, fmax0.05, steps100, ) results runner.calculate(job_num0, num_jobs4) # 多卡/多机时调大 num_jobs 分片 runner.write_results(results, results_dirresults)跑完用 pandas matplotlib 画一张能量分布图整体情况一眼看全import matplotlib.pyplot as plt plt.figure(figsize(9, 5)) plt.hist(df[E_ads], bins20, alpha0.75, edgecolork) plt.xlabel(E_ads (eV)) plt.ylabel(count) plt.title(CO2 on Cu(111): adsorption energy distribution (UMA)) plt.grid(alpha0.3) plt.tight_layout() plt.savefig(adsorption_energy_distribution.png, dpi200)正常运行后大多数构型会聚集在 -1 ~ -1.5 eV 附近并拖出一条弱结合尾巴就是下面这张由上面代码生成的直方图吸附能分布直方图UMA 模型吸附能批量计算结果示例收尾✅ 初筛用uma-s-1p2扫全部构型候选切到uma-m-1p1精算两档分开存档✅ 上报吸附能前必查解离/脱附/表面重构等异常只认干净构型里最负的那个值✅ 边界候选用 DFT 单点能校正全链路保持 fmax0.05 eV/Å 的同一收敛标准✅ 批量任务用作业调度或num_jobs分片结果落盘.json.gz方便断点续跑✅ 跟踪 configs/uma/training_release 与pretrained_models.json中的新 checkpoint——项目正持续扩展 OC25、OMol25 等新数据集及对应模型开新项目前把 checkpoint 列表 diff 一遍然后拿代码里的mp-30换成你的目标催化剂把三步流水线跑起来。【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
用 UMA 模型把吸附能计算压到秒级一条可复制的 OCP 催化筛选流水线【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/ocpDFT 跑一个吸附构型一天还没收敛是催化筛选里的常态。Open Catalyst ProjectOCP把 UMA 模型封装成开箱即用的机器学习势MLIP用神经网络代替哈密顿量算能量和力让 GPU 上的吸附能预测进入秒级计算。下面这张图是 OCP 生成吸附构型的标准流水线体相晶体 → 表面切片 → 吸附质放置 → 标准化输入OCP 训练数据都走这套流程。为什么用 UMA 模型而不是 DFT维度DFTUMA 模型速度单构型弛豫小时到天级单点秒级百原子弛豫数秒精度基准吸附能相对 DFT 约 0.1 eV 量级偏差筛选够用参数量 / 成本随体系增大需更大算力集群uma-s-1p2 激活约 660 万参数单卡即可适用规模每个材料几十构型每个材料上千构型甚至整面体动力学MD关键不是模型准而是试错成本降了两个数量级UMA 负责把初筛做到几百构型一锅出DFT 留在最后做验证位两边各干各的。五分钟跑通最小示例UMA 模型使用方法克隆与安装git clone https://gitcode.com/GitHub_Trending/oc/ocp cd ocp pip install fairchem-core fairchem-data-oc认证与模型拉取UMA 权重放在 HuggingFace 且为 gated 仓库注册 HuggingFace 账号并申请facebook/UMA的访问权限批准后本地登录huggingface-cli login确认已注册的模型名单from fairchem.core import pretrained_mlip print(pretrained_mlip.available_models) # (uma-s-1p2p1, uma-s-1p2, uma-s-1p1, uma-m-1p1, ...)首次调用get_predict_unit时checkpoint 和元素参考能量文件会自动下载到~/.cache/fairchem不用手动搬权重。出第一个预测结果先算气相 CO2 的能量跑通即算环境就绪from fairchem.core import FAIRChemCalculator, pretrained_mlip from ase.build import molecule predictor pretrained_mlip.get_predict_unit(uma-s-1p2, devicecuda) calc FAIRChemCalculator(predictor, task_nameomol) co2 molecule(CO2) co2.calc calc print(co2.get_potential_energy()) # 约 -11 eV含元素参考能非裸总能量task_name决定模型使用哪套参考能量体系分子体系用omol表面体系用oc20混用会让后续所有结果偏移一个常数。从表面到吸附能三步完整工作流这一节把 CO2 在 Cu(111) 上的吸附能从头算到排出序全程 三条代码块。步骤 1 · 构建催化表面与吸附构型这步的活是批量生成CO2 放在 Cu(111) 面上的初始结构。OCP 的 structure_generator.py 流水线被封装成四个对象几行就能取用from fairchem.data.oc.core import Bulk, Slab, Adsorbate, AdsorbateSlabConfig bulk Bulk(bulk_src_id_from_dbmp-30) # CuMaterials Project ID slab_objs Slab.from_bulk_get_specific_millers(bulkbulk, specific_millers(1, 1, 1)) co2 Adsorbate(adsorbate_smiles_from_db*CO2) # * 标记成键原子 adslabs AdsorbateSlabConfig( slab_objs[0], co2, moderandom_site_heuristic_placement, num_sites20, ) print(len(adslabs.atoms_list)) # 20 个初始吸附构型num_sites控制采样的表面位点数量给得越大越不容易漏掉低能构型random_site_heuristic_placement会把成键原子直接落在位点上初始结构离终态更近收敛更快。步骤 2 · 批量结构优化ASE UMA 计算器每个构型用 ASE 的 QuasiNewton 弛豫到 0.05 eV/Å 的力阈值UMA 只负责供能量和力。顺手用自带的轨迹异常检测把 CO2 解离、脱附的构型过滤掉避免污染吸附能统计from ase.optimize import QuasiNewton from fairchem.core import FAIRChemCalculator, pretrained_mlip from fairchem.data.oc.utils import DetectTrajAnomaly predictor pretrained_mlip.get_predict_unit(uma-s-1p2, devicecuda) calc FAIRChemCalculator(predictor, task_nameoc20) e_adslabs [] for i, adslab in enumerate(adslabs.atoms_list): init adslab.copy() adslab.calc calc adslab.pbc True QuasiNewton(adslab, trajectoryfdata/co2_{i}.traj).run(fmax0.05, steps100) det DetectTrajAnomaly(init, adslab, adslab.get_tags()) if det.is_adsorbate_dissociated() or det.is_adsorbate_desorbed(): continue e_adslabs.append(adslab.get_potential_energy())检测逻辑在 flag_anomaly.py还提供表面重构、插层两类检查按体系需要加进过滤条件即可。步骤 3 · 吸附能计算与结果排序吸附能批量计算吸附能 吸附体系能量 − 清洁表面能量 − 气相分子能量。两个参考能量必须和 adslab 用同一收敛标准算否则差值没有意义import pandas as pd from ase.build import molecule slab slab_objs[0].atoms slab.calc calc slab.pbc True QuasiNewton(slab, trajectorydata/cu_slab.traj).run(fmax0.05, steps100) e_slab slab.get_potential_energy() gas molecule(CO2) gas.calc FAIRChemCalculator(predictor, task_nameomol) e_gas gas.get_potential_energy() df pd.DataFrame({idx: range(len(e_adslabs)), E_ads: [e - e_slab - e_gas for e in e_adslabs]}) print(df.sort_values(E_ads).head()) # 最负的吸附能 结合最强构型到这里排序好的吸附能表已经出来——同样的流程用 DFT 走大概还在排队提交VASP作业。性能调优与精度取舍机器学习势函数催化实战⚡ 单构型调试用默认配置即可规模上来后动这三个旋钮并行get_predict_unit(..., workers8)会创建 ParallelMLIPPredictUnit把结构分批喂进并行队列大批量单点再加inference_settingsturbo启用 compile 快速路径。模型档位uma-s-1p2快筛候选体系换uma-m-1p1精算参数约四倍精度同步提升uma-s-1p1/uma-s-1p2p1是更小变体适合快速试体系。任务模式oc20催化表面、oc25电催化、omat无机材料、omol分子与气相、omc分子晶体。每个任务挂独立的参考能量体系表面必须 oc20、气相必须 omol。精度换速度的取舍关系在力 MAE 对比推理吞吐量的曲线里能看得很清楚排错三问Q1模型下载失败或 401权重是 gated 的先在 HuggingFace 申请facebook/UMA访问权限再huggingface-cli login无外网的机器把.pt权重和参考能量 yaml 手动放进~/.cache/fairchem。Q2显存溢出OOM给get_predict_unit传overrides{max_atoms: ...}限制单批最大原子数批量单点交给 SinglePointRunner 分块处理让 batcher 自动切分超大 batch。Q3与 DFT 偏差大按顺序查①task_name是否与体系匹配② 参考能量是否随模型正常下载③ 系统偏差在 ~0.1 eV 内一般筛选可用边界候选换uma-m-1p1重算或 DFT 单点校正。OCP 催化剂筛选规模化筛选与结果可视化几百上千个构型就不建议手写了 for 循环。fairchem.core.components.calculate里的RelaxationRunner支持num_jobs分片整批跑结果写成.json.gz中断后也好续跑from fairchem.core.components.calculate import RelaxationRunner runner RelaxationRunner( calculatorcalc, # 前面建好的 FAIRChemCalculator input_dataadslabs.atoms_list, fmax0.05, steps100, ) results runner.calculate(job_num0, num_jobs4) # 多卡/多机时调大 num_jobs 分片 runner.write_results(results, results_dirresults)跑完用 pandas matplotlib 画一张能量分布图整体情况一眼看全import matplotlib.pyplot as plt plt.figure(figsize(9, 5)) plt.hist(df[E_ads], bins20, alpha0.75, edgecolork) plt.xlabel(E_ads (eV)) plt.ylabel(count) plt.title(CO2 on Cu(111): adsorption energy distribution (UMA)) plt.grid(alpha0.3) plt.tight_layout() plt.savefig(adsorption_energy_distribution.png, dpi200)正常运行后大多数构型会聚集在 -1 ~ -1.5 eV 附近并拖出一条弱结合尾巴就是下面这张由上面代码生成的直方图吸附能分布直方图UMA 模型吸附能批量计算结果示例收尾✅ 初筛用uma-s-1p2扫全部构型候选切到uma-m-1p1精算两档分开存档✅ 上报吸附能前必查解离/脱附/表面重构等异常只认干净构型里最负的那个值✅ 边界候选用 DFT 单点能校正全链路保持 fmax0.05 eV/Å 的同一收敛标准✅ 批量任务用作业调度或num_jobs分片结果落盘.json.gz方便断点续跑✅ 跟踪 configs/uma/training_release 与pretrained_models.json中的新 checkpoint——项目正持续扩展 OC25、OMol25 等新数据集及对应模型开新项目前把 checkpoint 列表 diff 一遍然后拿代码里的mp-30换成你的目标催化剂把三步流水线跑起来。【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
知识建站
内容驱动
阅读友好版式
SEO 精细化
线索转化