FAIR Chemistry 与 UMA:跨域原子基础模型平台
新一、简介
facebookresearch/fairchem 是 Meta FAIR Chemistry 团队的集中式代码仓库。它创建于 2019 年 9 月 26 日,最近一次推送在 2026 年 11 月 12 日,默认分支为 main,主语言是 Python,公开文档站点是 facebookresearch.github.io/fairchem/。截至 2026 年 11 月,仓库约有 2356 个 star、529 个 fork、38 个未关闭 issue。
这个名字容易让人产生误解。早期它确实主要围绕 OC20 电催化数据集展开,训练 GemNet-OC、eSCN、EquiformerV2 这类图神经网络,用机器学习势替代第一性原理弛豫来加速吸附能计算。今天的仓库已经扩展为覆盖材料科学与量子化学的集中平台:数据、模型、演示代码与应用示例都在同一棵目录树下,按功能拆成多个子包发布。
旗舰模型是 UMA。论文预印本《UMA: A Family of Universal Models for Atoms》于 2025 年 6 月发布(arXiv 2506.23971),18 位作者,Brandon M. Wood 署名首位。UMA 用等变图神经网络加混合线性专家架构,在跨分子、材料、催化剂三个化学域汇编的 5 亿个唯一三维结构上训练,同一个模型切换任务名即可覆盖七套不同的理论层级。
理解这一转变对使用者很重要。选型时的问题已经从「哪个模型适合 OC20」变成「我的体系落在哪个任务域、对应哪一级 DFT 理论」,再叠加许可证与权重获取门槛的判断。这一判断链条在下文各节展开。
仓库的组织方式也印证了这种定位。根目录下除了核心代码,还并列了 docs/、configs/、benchmarks/、tests/ 等目录,分别承担文档、模型配置、基准复现与测试职责;CITATION.cff 用于规范引用元数据,CODE_OF_CONDUCT.md 与 CONTRIBUTING.md 说明贡献流程,UMA_NITRO_LICENSE_PROVENANCE.md 则单独记录推理加速代码引入的第三方组件许可。这类配套文件的存在,说明项目已进入需要长期维护与合规追溯的阶段。
二、原理与工作方式
UMA 的骨架是等变图神经网络,关键设计是混合线性专家(Mixture of Linear Experts,MoLE)。它用单一输出头加动态路由,在增大参数总量的同时避免推理速度下降。论文给出的量级是 UMA-medium 拥有 14 亿参数,而每个原子结构上真正激活的参数约 5000 万。这一取舍让模型既能覆盖大范围化学空间,又能在分子动力学这类循环里承担可接受的开销。
模型的路由需要四类输入。第一是任务名,决定模拟哪一级理论。第二是体系总电荷,只在 omol 任务中使用,默认 0。第三是总自旋多重度,同样只在 omol 任务使用,默认 1。第四是无序的元素组成,每个元素有原子嵌入,体系组成嵌入取所有原子嵌入的均值。
任务与理论层级的对应关系是理解整套体系的核心。omol 对应 OMol25 数据的 ωB97M-V/def2-TZVPD 层级,在 ORCA 6 中实现,含非局域色散,要求显式处理溶剂化。omc 对应 OMC25 数据的 PBE+D3 层级,在 VASP 中实现,面向分子晶体。omat 对应 OMat24 数据的 PBE 与 PBE+U 层级,沿用 Materials Project 建议参数与 VASP 54 赝势,不含色散。oc20 对应 OC20 的 RPBE 层级,VASP 5.4 赝势。odac 对应 ODAC23 的 PBE+D3 层级。oc25 对应 OC25 的 RPBE+D3 层级,使用 VASP 6.4 赝势并含偶极修正,仅在 UMA 1.2 中提供。oc22 对应 OC22 的 PBE+U 层级,含自旋极化,同样仅在 UMA 1.2 中提供。README 中另有一条说明:OC20 数据后来被重新计算为输出总能量,取代了原先的吸附能口径。
推理侧有两套模式。high-precision 保留完整 FP32,配合模型合并与编译。nitro 是 2026 年 10 月起的默认模式,为单卡分子动力学与弛豫做了深度优化;它只支持 NVIDIA Ampere 及以上架构,在 Hopper 及以上为单卡单系统场景做了专门优化,不支持的 GPU 会回落到其它模式并给出警告。原先的 turbo 预设已经移除,多 worker 场景改用 multigpu。批处理服务的默认值是 batch。另有 DFTD3Calculator 把 GPU 加速的 DFT-D3(BJ) 色散能量、力与解析应力叠加到任意 ASE 计算器上,提供 pbe 与 r2scan 两个预设。
训练侧的配套工作同样重要。DeNS 把去噪非平衡结构作为辅助训练任务,改进训练效率。JMP 在约 1.2 亿体系的多任务框架下同时训练 OC20、OC22、ANI-1x、Transition-1x,报告相对从头训练平均提升 59%。FINETUNA 是在线主动学习框架,报告减少 91% 的第一性原理计算,并在 93% 的情况下满足精度阈值。共形预测方法提供了可扩展的不确定性估计。这些方法叠加起来,解释了为什么 UMA 能在不逐任务微调的情况下接近或超过专用模型。
三、适用边界与前提
几条硬前提在上手前必须确认。
权重获取是 gated 流程。使用者需要 Hugging Face 账号,需要先向 facebook/UMA 模型仓库申请访问权限,再用 huggingface-cli login 登录。整个流程在离线环境或企业内网中会成为阻塞点。
版本兼容性有明确的边界。UMA 1.0 的检查点不再受支持,加载会抛出 RuntimeError,原因是其混合专家的 include_self 行为与后续版本存在差异。需要使用 1.0 检查点时,应安装 fairchem-core 的 2.21.0 及更早版本。此外,加载现在要求定义 model_id;UMA 1.1 本身不带该字段,会在内存中被自动标记为 UMA-1.1,UMA 1.2 及之后已自带该字段,两者皆无的检查点会被拒绝。训练时应在模型配置上设置 model_id。
硬件有明确下限。Nitro 模式只覆盖 Ampere、Hopper、Blackwell 三代 GPU,在其他显卡上会回落到非 nitro 路径。同时官方提示,当单步耗时进入 5 到 10 毫秒区间时,ASE 的积分器本身成为瓶颈,若要发挥模型真实性能,建议改用非 Python 的 GPU 积分器。
任务选择直接决定结果可信度。omol 任务的训练数据全部是非周期体系,把周期性材料放进去需要谨慎,对无机材料往往表现不佳。omat 任务包含自旋极化效应,但无法选择具体磁态,且 OMat24 没有完整采样可能的自旋态。oc20 与 oc22 不含氧化物与显式溶剂,oc22 也没有显式溶剂,用于电解液环境时需要额外验证。odac 任务的数据集只含二氧化碳与水的吸附,烃类分子在 MOF 中的行为不在训练范围内,且裸 MOF 结构数量有限。oc25 任务的模型对带电体系表现好于预期,但工作函数无法由模型给出,需要后续第一性原理计算提取。
两个微调变体各有其禁忌。uma-s-1p2p1-ft-r2scan 未做自旋极化,把所有体系描述为非磁性,因此不适用于磁性体系,也不能用于内聚能计算,孤立原子本身往往强烈磁性,需要改用 uma-s-1p2p1 配合 omat 任务。uma-s-1p2p1-ft-d4rev 已经包含色散,官方明确建议不要再叠加 D3。两个微调模型都在比原始 UMA-S-1.2.1 更少的数据上训练,在各自理论层级上原始模型往往更准。此外模型不附带孤立原子参考能,单原子能量不可靠。
四、上手路径
安装方式有两种。直接使用发布包时执行 pip install fairchem-core。需要改动源码时克隆仓库后以可编辑模式安装 fairchem/packages/fairchem-core 的开发附加项。官方建议配合 uv 等包管理器与虚拟环境使用。
仓库的多包结构需要熟悉。packages/ 目录下有 fairchem-core(核心推理与训练代码)、fairchem-core-numpy126(NumPy 2.6 兼容构建)、fairchem-lammps(LAMMPS 接口)、fairchem-demo-ocpapi(OCP API 演示)、fairchem-data-oc、fairchem-data-odac、fairchem-data-omat、fairchem-data-omc、fairchem-data-omol(各数据集配置与 VASP 输入集生成代码),以及四个应用包 fairchem-applications-AdsorbML、fairchem-applications-cattsunami、fairchem-applications-fastcsp、fairchem-applications-ocx。数据集包在 PyPI 上分别发布:fairchem-core 最新到 2.25.0(2026 年 10 月 27 日),fairchem-lammps 到 0.4.0,fairchem-data-omol 到 0.1.2,fairchem-data-odac 与 fairchem-data-omc 到 0.1.0,fairchem-data-omat 到 0.2.0。
最小可运行路径由三个动作组成。先用 pretrained_mlip.get_predict_unit 拿到预测单元,再用 FAIRChemCalculator 包装并指定 task_name,最后把 ASE 的 Atoms 对象交给计算器即可。这一接口覆盖了文档中的主要工作流:催化表面上吸附质的弛豫、无机晶体弛豫、分子动力学、自旋能隙计算、色散修正叠加,以及多卡推理与 LAMMPS 联用。
数据集的配置代码单独成包这一点值得单独说明。fairchem-data-omat 用于生成 OMat24 的输入构型与 VASP 输入集,fairchem-data-omol、fairchem-data-omc、fairchem-data-odac 同理,fairchem-data-oc 对应 OC 系列。这样拆分使得复现数据集不需要克隆整个主仓库,也把重计算任务与主库解耦。
实测吞吐有公开基准。基准图的横轴是 NVIDIA H200 上 1000 原子硅胞的 ASE NVE 单步平均耗时换算出的每日纳秒数(步长 1 飞秒),纵轴是公开 OMol25 验证集上的力 MAE,单位 meV/Å。在单张 H200 上,Nitro 模式在 1000 原子的 ASE 分子动力学中达到约 6 纳秒每天,原始推理吞吐等效于 150 原子时约 33 纳秒每天,支持规模上限为 15000 原子。基准脚本与完整设置公开在仓库的 benchmarks/omol/ 目录。更细的精度对比可查 Hugging Face 上的 FAIR Chemistry 排行榜。
五、横向对比
与同生态其它路线相比,UMA 的定位差异清晰。
MACE 路线(MACE 机器学习势)走的是材料势的路线,主论文《A foundation model for atomistic materials chemistry》于 2025 年 11 月 13 日在 Journal of Chemical Physics 第 163 卷发表,强调在 Materials Project 数据上训练通用原子间势并通过少量数据微调逼近第一性原理精度。两条路线都在做通用化,差别在于任务覆盖面与理论层级的多样性。
专用任务模型仍有价值。GemNet-OC 在 OC20 上相对此前最好结果提升 16%,训练时间减少到十分之一。eSCN 把等变卷积的复杂度从 L 的六次方降到三次方。EquiformerV2 在 OC20 上力误差改善最多 9%、能量改善 4%,计算吸附能所需的第一性原理次数减半,且仅用 OC22 训练的 EquiformerV2 超过了同时用 OC20 与 OC22 训练的 GemNet-OC。专用模型在单一任务上的精度通常更可控,通用模型的价值在于省去为每个体系单独收集数据与训练的开销。
eSEN(arXiv 2502.12147)走的是另一条验证路线:把测试集误差低与物理性质预测好之间的落差归因到能量守恒失败,先提出能量守恒测试,再据此改进模型结构,在材料稳定性、热导率、声子等任务上给出结果。这条思路对使用者的启示是,测试集误差本身不足以判断模型是否可用。
生成式方向也接入同一套生态。ADiT 用统一隐扩散框架同时生成周期性材料与非周期分子。FlowMM 与 FlowLLM 分别把黎曼流匹配推广到晶体与语言模型。FastCSP 结合随机结构生成与 UMA 驱动的弛豫与自由能计算。
与第一性原理的关系需要说清楚。机器学习势并未取代第一性原理,它承担的是替代大规模重复弛豫循环的职能,把第一性原理预算集中到头部候选的验证上。这与站内关于代理模型与降阶模型和物理基础模型的讨论属于同一脉络。
六、基准与数据
支撑 UMA 的数据体系规模可观,各数据集口径需要分别记清。
OC20 含 1281040 次第一性原理弛豫,对应约 264890000 次单点求值,覆盖材料、表面与吸附质,是 Open Catalyst 项目的奠基数据集。OC22 含 62331 次弛豫、约 9854504 次单点求值,覆盖氧化物材料、覆盖度与吸附质,面向析氧反应催化剂开发。OC25 含 7801261 次计算,跨越 1511270 个唯一的显式溶剂环境,覆盖 88 种元素与常用溶剂与离子,是目前规模最大的固液界面数据集。OMat24 含超过 1.1 亿次第一性原理计算,强调结构与组成多样性,配套的 EquiformerV2 模型在 Matbench Discovery 上 F1 分数超过 0.9。OMC25 含超过 2700 万个分子晶体结构,覆盖 12 种元素,单胞最多 300 个原子,由超过 23 万个随机生成的分子晶体结构的含色散弛豫轨迹得到,涉及约 5 万个有机分子。ODAC23 含超过 3800 万次计算,覆盖超过 8400 种 MOF。ODAC25 含近 6000 万次单点计算,针对 15000 种 MOF 中二氧化碳、水、氮、氧的吸附。OPoly26 含超过 657 万次计算,覆盖聚合物簇,总原子数超过 12 亿。OCx24 用 685 万次人工智能加速弛豫获得约 2 万种材料的 DFT 验证吸附能,配套 572 个合成样品与 441 个气体扩散电极,覆盖二氧化碳还原与析氢。
模型侧的公开口径包括:UMA 训练使用 5 亿个唯一三维结构,是当时规模最大的训练运行;UMA 1.2 相对前代约快 50%,在 Open Molecules 测试集上精度约提升 40%,同时扩展了催化剂(氧化物与界面)、分子与聚合物的数据覆盖。
应用层的收益有具体数字。AdsorbML 报告在识别低能吸附质表面构型上准确率 87.36%,同时获得约 2000 倍加速,并引入包含约 1000 个表面与 10 万个构型的 Open Catalyst Dense 数据集。CatTSunami 报告用 OC20 训练的图神经网络势在 91% 的情况下能找到与第一性原理相差 0.1 电子伏特以内的过渡态,速度提升 28 倍;把含 61 个中间体与 174 个反应的反应网络以第一性原理精度复现,只用了 12 个 GPU 日,而传统路线需要 52 个 GPU 年。Catlas 框架在合成气制含氧化合物方向探索了 947 种二元金属间化合物,筛出 144 个候选材料,包括 Pt-Ti、Pd-V、Ni-Nb 与 Ti-Zn。
跨域应用的例子出现在酶催化。2026 年 9 月的论文用 eSEN-omol 势对显式溶剂中最多 5.4 万个原子的完整酶做全原子量子精确处理,累计模拟时间达 1 微秒,复现了 chorismate mutase 中 Claisen 重排的实验势垒趋势,分辨了 PETase 催化聚合物解聚过程中的关键中间态,并区分了金属活化的磷酸基转移的多种机理路线,报告相对常规 QM/MM 计算约 1000 倍加速。
七、物理 AI 场景中的用法
把 UMA 放进工作流,最常见的三种形态是替代、闭环与嵌入。
替代形态最直接。原先需要对每个候选表面-吸附构型做一次完整弛豫加能量求值,现在用模型做弛豫,只对入围候选做第一性原理验证。这条路径在吸附能枚举、合金与掺杂组合扫描中把计算预算从组合规模上解耦出来。
闭环形态是主动学习。FINETUNA 的思路是利用预训练模型的先验信息做在线采样,减少所需的第一性原理计算次数;共形预测给出可校准的不确定性,让采样点分布更有效。模型自身也可作为主动学习循环中的初始提议器,此时一个混合了低精度但覆盖面广的初始池往往比从零开始更省算力。
嵌入形态指把模型当作更大流程里的一个组件。例如固液界面电催化中,用 OC25 训练的模型处理超过 800 原子的大胞与最长 7 纳秒的增强采样,计算铜表面二氧化碳还原中一氧化碳二聚的自由能剖面,考察表面电荷、阳离子种类与晶面变化,发现二聚过程对电荷与阳离子种类敏感度较弱,只有在最负的电荷密度下才有明显稳定化,扩展到阶梯面 Cu(310) 后在中等还原电位下出现了更有利的路径。这类计算在从头算的尺度上难以完成。
具体场景还有几类。直接空气捕集方面,ODAC 系列数据支撑 MOF 吸附质筛选,ODAC25 在改进计算精度与柔性 MOF 处理的同时给出了吸附能与亨利定律系数的预测。分子晶体结构预测方面,FastCSP 把随机结构生成与 UMA 驱动的弛豫、自由能计算结合,单个体系可在数十张 GPU 上数小时内得到结果。晶体预测与结构弛豫衔接了材料发现链路,与 GNoME 这类凸包搜索工作处在上下游衔接位置,不构成竞争关系。
从平台角度,这个仓库同时也是把机器学习势接入既有数值栈的入口层。数值与求解器 方向的工作关心的是离散化与求解效率,贝叶斯反演与不确定性量化 方向关心的是把势函数的不确定性传播到反问题结果,两条线索都可以借道模型的共形预测能力。
八、不适用场景与失效模式
有几类使用方式会明确得到不可靠结果。
任务错配是首要风险。周期性无机体系交给以分子数据为主的 omol 任务,或把电解液环境交给不含显式溶剂的 oc20、oc22 任务,得到的数值不具备物理意义,只是数值上可计算。磁性体系与内聚能计算交给非自旋极化的 r²SCAN 微调变体,结果会系统性偏离。
理论层级的误差会被继承。模型复现的是它所训练的那一级 DFT 的行为,PBE 层级与 r²SCAN 层级、ωB97M-V 与 RPBE 之间的差异会直接体现在结果里。把 PBE 层级训练的模型输出当作接近实验真值使用,误差量级会远超模型自身的测试集误差。
有些性质模型根本不提供。工作函数、电荷转移、反应机理路径、绝对自由能的能量参考都需要后续第一性原理计算补齐。模型不附带孤立原子参考能,因此单原子能量、以及依赖原子化焓推算的量都不可靠。
采样与积分器是工程失效点。当单步进入 5 到 10 毫秒区间,瓶颈从模型转到 ASE 的 Python 积分器,实际得到的吞吐会明显低于模型能力上限,而这类问题容易被误判为模型性能不足。
许可与获取是现实约束。权重需要申请且为 gated,若项目要商用,需要先厘清 gated model terms 与代码 MIT 的边界,以及 fairchem-lammps 包在 PyPI 上声明的 GnuV2 与仓库顶层 MIT 的差异。数据集本身另有条款,把数据随模型一起再分发前需单独核对。
工程兼容性上,检查点版本与库版本必须匹配,UNA 1.0 检查点在新库上直接抛错,且不同任务对应的赝势版本不同,OC20 用 VASP 5.4 赝势、OC25 用 VASP 6.4 赝势,跨任务复用计算设置时容易出现不可比的结果。
九、版本与口径核对
几处口径差异需要明确记录,避免在引用时混用。
许可层面有三套。仓库顶层的 LICENSE.md 是标准 MIT 文本,版权标注为 Meta, Inc. 及其关联机构;GitHub API 的许可字段返回 NOASSERTION,与文件内容不一致,引用时应以文件为准。fairchem-lammps 在 PyPI 上的许可字段为 GnuV2,与仓库顶层声明不同。README 的许可段落写明代码为 MIT,模型与检查点的许可随应用领域而变。UMA_NITRO_LICENSE_PROVENANCE.md 给出第三方组件的逐项溯源:自研的 UMA Nitro 代码为 MIT,嵌入的稠密矩阵乘示例来自 NVIDIA CUTLASS v4.7.0(BSD-3-Clause),NumPy 与 PyTorch 为 BSD-3-Clause,Triton 为 MIT,CUTLASS 与 CuTe DSL 运行时适用 NVIDIA 软件许可协议,CUDA Python 绑定适用 NVIDIA CUDA 软件许可,UMA 检查点则按 gated model terms 授权,独立于 FairChem 的 MIT 许可。
参数量有两处口径。README 的模型表写 uma-s-1p2p1 为 6.6M 激活参数、290M 总参数,uma-m-1p1 为 50M 激活、14 亿总参数。文档站的 UMA 页面写的是 6M 激活参数、145M 总参数。论文摘要给出的是 UMA-medium 14 亿参数、每个原子结构约 5000 万激活参数。引用时应说明取自哪一份文档。
任务与模型的对应关系也需要注意版本约束。七个任务中 oc22 与 oc25 仅在 UMA 1.2 及之后提供。数据集文档中 OC25 的卡片标题写作固液界面数据集论文,而该编号在 arXiv 上的当前标题为铜表面电催化二氧化碳还原的研究论文,OC25 数据集在同一篇工作中引入,这一编号对应同一份工作。
时间线可以这样记:2025 年 6 月 UMA 与 OMol 首次发布;2025 年 10 月推出多节点多卡与 LAMMPS 接口;2026 年 3 月 UMA 1.2 发布;2026 年 6 月上线交互式 UMA playground 演示;2026 年 9 月发表酶催化量子精确模拟论文;2026 年 10 月 UMA Nitro 成为默认推理模式,同时发布两个 UMA-S-1.2.1 微调模型与 GPU 版 DFT-D3(BJ) 色散。代码侧 fairchem-core 的 PyPI 最新版本为 2.25.0,发布于 2026 年 10 月 27 日。
归档引用方面,仓库在 Zenodo 上的归档编号为 10.5281/zenodo.15587498,标题为 facebookresearch/fairchem: fairchem-core-2.2.0,权利标注为 CC BY 4.0,该快照对应 2.2.0 版本,与当前 PyPI 最新版不在同一时点。
十、参考资料
- Wood B. M., Dzamba M., Fu X., 等. UMA: A Family of Universal Models for Atoms. arXiv:2506.23971, 2025. https://arxiv.org/abs/2506.23971
- Meta FAIR Chemistry. fairchem 仓库(代码、权重申请、数据与应用包). https://github.com/facebookresearch/fairchem
- Meta FAIR Chemistry. FAIR Chemistry 论文总览(模型、数据集、生成模型、采样、应用、训练方法). https://github.com/facebookresearch/fairchem/blob/main/docs/core/fair_chemistry_papers.md
- Meta FAIR Chemistry. UMA 模型文档(任务与理论层级对照、微调变体限制). https://facebookresearch.github.io/fairchem/uma
- Meta FAIR Chemistry. UMA 发布变更记录(默认推理模式迁移、版本兼容、1.2 特性). https://github.com/facebookresearch/fairchem/blob/main/docs/core/uma_changelog.md
- Meta FAIR Chemistry. UMA Nitro 许可溯源说明. https://github.com/facebookresearch/fairchem/blob/main/UMA_NITRO_LICENSE_PROVENANCE.md
- Sahoo S. J., Maraschin M., Varley J. B., 等. Insights into CO dimerization at electrified Cu interfaces from large-scale machine learning simulations(含 OC25 数据集). arXiv:2509.17862, 2025. https://arxiv.org/abs/2509.17862
- Levine D. S., Shuaibi M., Spotte-Smith E. W. C., 等. The Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models. arXiv:2505.08762, 2025. https://arxiv.org/abs/2505.08762
- Barroso-Luque L., Shuaibi M., Fu X., 等. Open Materials 2024 (OMat24) Dataset. arXiv:2410.12771, 2024. https://arxiv.org/abs/2410.12771
- Chanussot L., Das A., Goyal S., 等. Open Catalyst 2020 (OC20) Dataset and Community Challenges. ACS Catalysis, 11(10), 6059-6072, 2021. https://doi.org/10.1021/acscatal.0c04525
- Tran R., Lan J., Shuaibi M., 等. The Open Catalyst 2022 (OC22) Dataset and Challenges for Oxide Electrocatalysts. ACS Catalysis, 13(5), 3066-3084, 2023. https://doi.org/10.1021/acscatal.2c05426
- Sriram A., Brabson L. M., Yu X., 等. The Open DAC 2025 (ODAC25) Dataset. arXiv:2508.03162, 2025. https://arxiv.org/abs/2508.03162
- Sriram A., Choi S., Yu X., 等. The Open DAC 2023 Dataset and Challenges for Sorbent Discovery in Direct Air Capture. ACS Central Science, 10(5), 923-941, 2024. https://doi.org/10.1021/acscentsci.3c01629
- Gharakhanyan V., Barroso-Luque L., Yang Y., 等. Open Molecular Crystals 2025 (OMC25) Dataset. arXiv:2508.02651, 2025. https://arxiv.org/abs/2508.02651
- Liao Y.-L., Wood B., Das A., Smidt T. EquiformerV2: Improved Equivariant Transformer for Scaling to Higher-Degree Representations. arXiv:2306.12059, 2023. https://arxiv.org/abs/2306.12059
- Passaro S., Zitnick C. L. eSCN: Reducing SO(3) Convolutions to SO(2). arXiv:2302.03655, 2023. https://arxiv.org/abs/2302.03655
- Gasteiger J., Shuaibi M., Sriram A., 等. GemNet-OC: Graph Neural Networks for Large Datasets. arXiv:2204.02782, 2022. https://arxiv.org/abs/2204.02782
- Fu X., Wood B. M., Barroso-Luque L., 等. eSEN: Learning Smooth and Expressive Interatomic Potentials. arXiv:2502.12147, 2025. https://arxiv.org/abs/2502.12147
- Malosso C., Bigi F., Pegolo P., 等. High-quality, high-information datasets for universal atomistic machine learning(MAD-1.6). arXiv:2603.02089, 2026. https://arxiv.org/abs/2603.02089
- Gao M., Shayesteh Zadeh A., Seal A., 等. Quantum-accurate atomistic modeling of enzyme catalysis using a machine learned potential. arXiv:2609.09293, 2026. https://arxiv.org/abs/2609.09293
- Batatia I., Benner P., Chiang Y., 等. A foundation model for atomistic materials chemistry. Journal of Chemical Physics, 163, 2025. https://doi.org/10.1063/5.0297006
- Meta FAIR Chemistry. fairchem-core 归档快照 2.2.0. Zenodo, 2025. https://doi.org/10.5281/zenodo.15587498