企业官网建设流程全解析

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 Chemistry's library of machine learning methods for chemistry项目地址: https://gitcode.com/GitHub_Trending/oc/ocp

DFT 跑一个吸附构型一天还没收敛，是催化筛选里的常态。Open Catalyst Project（OCP）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

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", device="cuda") calc = FAIRChemCalculator(predictor, task_name="omol") 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_db="mp-30") # Cu，Materials Project ID slab_objs = Slab.from_bulk_get_specific_millers(bulk=bulk, specific_millers=(1, 1, 1)) co2 = Adsorbate(adsorbate_smiles_from_db="*CO2") # * 标记成键原子 adslabs = AdsorbateSlabConfig( slab_objs[0], co2, mode="random_site_heuristic_placement", num_sites=20, ) 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", device="cuda") calc = FAIRChemCalculator(predictor, task_name="oc20") e_adslabs = [] for i, adslab in enumerate(adslabs.atoms_list): init = adslab.copy() adslab.calc = calc adslab.pbc = True QuasiNewton(adslab, trajectory=f"data/co2_{i}.traj").run(fmax=0.05, steps=100) 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, trajectory="data/cu_slab.traj").run(fmax=0.05, steps=100) e_slab = slab.get_potential_energy() gas = molecule("CO2") gas.calc = FAIRChemCalculator(predictor, task_name="omol") 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(..., workers=8)会创建 ParallelMLIPPredictUnit，把结构分批喂进并行队列；大批量单点再加inference_settings="turbo"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( calculator=calc, # 前面建好的 FAIRChemCalculator input_data=adslabs.atoms_list, fmax=0.05, steps=100, ) results = runner.calculate(job_num=0, num_jobs=4) # 多卡/多机时调大 num_jobs 分片 runner.write_results(results, results_dir="results")

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"], bins=20, alpha=0.75, edgecolor="k") plt.xlabel("E_ads (eV)") plt.ylabel("count") plt.title("CO2 on Cu(111): adsorption energy distribution (UMA)") plt.grid(alpha=0.3) plt.tight_layout() plt.savefig("adsorption_energy_distribution.png", dpi=200)

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 fmax=0.05 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 Chemistry's library of machine learning methods for chemistry项目地址: https://gitcode.com/GitHub_Trending/oc/ocp