MACE 机器学习势:从等变消息传递到原子尺度基础模型
新MACE 是由剑桥大学 Csányi 课题组开源的原子间相互作用机器学习势框架,仓库地址 github.com/ACEsuit/mace。它在机器学习势领域的位置类似于「原子尺度的基础模型层」:训练一次,覆盖大量元素与化学体系,把过去「每换一个体系就要重新训练一个势函数」的循环压缩成「下载权重 + 少量微调」。这个转变背后是架构、训练数据与工程生态三方面的长期积累,2026 年 11 月的仓库状态是:创建于 2022 年 6 月 21 日,最近一次推送 2026 年 11 月 11 日,1411 个 star、514 个 fork、278 个 open issue,默认分支 develop,主语言 Python,仓库体积约 190 MB,未归档。
一、简介
机器学习势(machine-learned interatomic potential,简称 MLIP)在过去十年改变了原子尺度模拟的可行性边界。第一性原理电子结构方法精度高但昂贵,无法支撑纳秒尺度的分子动力学;早期 MLIP 通过引入径向基函数与神经网络拟合能量的方式打开了这个缺口,却在实践中遇到两道硬约束。其一是开发成本:每换一个化学体系,就要重新准备数据、选择描述符、调训练超参、做验证,这套循环的人力成本往往超过它节省的计算成本。其二是迁移性:在一个体系上训练的势函数换到另一个体系往往失效,因为原子环境的多体相互作用特征与目标物理量并不通用。
MACE 值得单独写一篇深度条目,原因有三层。第一,它是「等变机器学习势」这条技术路线中被引用最多的实现之一:2022 年 NeurIPS 论文《MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields》(DOI 10.52202/068431-0830,作者 5 人,第一作者 Ilyes Batatia)确立了 MACE 架构,同一作者团队的 2023 年工作《A foundation model for atomistic materials chemistry》(arXiv 2401.00096,2023-12-29 提交,88 位作者;期刊版发表于 The Journal of Chemical Physics,DOI 10.1063/5.0297006,2025 年 11 月 13 日,卷 163)把它推向基础模型形态。第二,它的代码组织方式对做物理 AI 的团队有直接参考价值:mace/calculators/foundations_models.py 与 mace/calculators/foundations_models/ 把「模型注册表」与「权重下载」做成可扩展的一等公民,新增一代基础模型不需要改动调用方代码。第三,这个生态已经长出完整的双子结构:Python 侧的 mace(2022)、mace-jax(2023)、mace-off(2024)、mace-foundations(2024)与 Julia 侧的 ACE.jl(2019)及其数十个卫星包,加起来 63 个公开仓库。
需要提醒的是,「MACE-MP-0」只是这个家族的第一代权重之一,2024 年之后陆续出现了 MACE-MP-0b/0b2/0b3、MACE-MPA-0、MACE-OMAT-0、MACE-MATPES 系列、MACE-MH-0/1、MACE-OMOL-0 与 MACE-POLAR-1。把条目理解成「一个模型」会显著低估其覆盖范围,也无法解释为什么它在材料社区被持续采用。
二、原理与工作方式
MACE 架构的核心是把原子团簇展开(atomic cluster expansion,ACE)与等变消息传递(equivariant message passing)合并到同一个计算图里。等变性指的是模型的输出随输入体系整体旋转而按确定方式变换:标量量(能量)对旋转不变,向量量(力)在空间旋转下与坐标同步旋转,等变通道按角动量阶次变换。满足等变性的势函数在数据集较少时收敛得更快,因为旋转方向的样本无需被模型当作新的独立输入。
与早期等变势的差别在于「体序」(body order)。ACE 展开的原始形式显式构造到四体相互作用的基函数,参数量随体序呈组合爆炸式增长,这限制了它在生产级 MD 中的可用性。MACE 的做法是在每一层消息传递中直接使用高阶等变特征,把高体序信息编码进特征维度,跳开展开阶次,从而把交互层数压到两层。这一点在 NeurIPS 2022 论文的摘要中被表述为「以更少的交互层达到更高精度」,在后续的 rMD17、3BPA 等基准上验证。
具体计算流程可以拆成五步。第一步是原子环境图的构建:以截断半径内的邻居建立图,边带径向距离。第二步是初始特征的投影:把标量原子序数、族、周期等属性通过线性层映射到每通道的径向基展开,得到初始的标量、向量与高阶等变通道。第三步是等变消息传递:每层内邻居原子通过径向 MLP 生成消息,其角动量阶次与目标通道匹配,因而旋转协变性质得以保持;消息聚合后经线性组合更新节点特征。第四步是读出(readout):把每个原子的通道特征收缩为标量能量贡献并求和,得到体系总能量;力的计算由能量的自动微分给出,因此力与能量的训练是同一目标的两个出口,天然满足守恒律。第五步是能量偏移(energy shift)处理:孤立原子能量是势函数的理论零点,若不处理则有限数据集训练出的势函数在低密度极限会有系统性偏差,MACE 通过对孤立原子能量施加偏移量修正这一项。
训练接口围绕 ASE(Atomic Simulation Environment)组织:MACECalculator 是一个标准的 ase.calculators.calculator 实现,可直接赋给 atoms.calc,从而接入任何基于 ASE 的 MD、几何优化或热力学流程。仓库的 mace/calculators/ 目录包含 mace.py(核心计算器,70 KB)、lammps_mace.py、lammps_mliap_mace.py(LAMMPS 接口,MLIAP 版本于 v0.3.13 引入)以及 mace_torchsim.py(torch-sim 集成)。mace/modules/ 与 mace/tools/ 分别承载模型组件与数据处理、命令行工具。这套组织意味着:把 MACE 势接入已有 MD 流程的边际成本很低,物理 AI 团队通常只需几十行代码即可把原本依赖商业软件或自研 DFT 求解器的流程切过来。
三、适用边界与前提
MACE 的适用边界可以按「体系类型」「数据密度」「物理量覆盖」三条轴来划。
体系类型上,MACE-MP 系列训练于 Materials Project 的 MPtrj 数据集,覆盖 89 种元素的无机晶体构型(PBE+U 泛函),因此天然适配无机固体的晶格动力学、声子谱、相稳定性与力学性质。对分子体系,MACE-OFF23 是专门面向有机小分子训练的可迁移版本,覆盖 83 种元素、训练于 SPICE 数据集量级的有机体系数据,面向结合亲和力、构象采样与自由能微扰。表面与催化体系由 OC20 数据集支撑,MACE-MH 系列用多头部架构同时覆盖体相、分子与表面三类目标。
数据密度是第二个约束。MACE 的核心卖点是「少数据可用」——用少量目标体系的构型做微调即可接近第一性原理精度。但这个卖点有前提:微调数据必须来自与目标任务一致的电子结构方法(PBE 与 r²SCAN 之间、微调数据的泛函必须与目标泛函一致,否则微调后仍有系统偏差)。仓库 v0.3.15 引入的 MACE-MH-1 提供六个并行头(omat_pbe、omol、spice_wB97M、rgd1_b3lyp、oc20_usemppbe、matpes_r2scan),正是把「跨电子结构理论的迁移」做成架构特性,用户无需手工切换模型。
物理量覆盖是第三个边界,也是最容易被忽略的一条。大部分 MACE 权重只预测能量、力与(部分版本)应力,不预测电荷、自旋、偶极矩与极化率。MACE-MDP(DOI 10.26434/chemrxiv.15000716/v1,2026-03-09,ChemRxiv 预印本)专门做偶极矩与极化率,仓库明确说明该模型仅输出偶极与极化率,不能用于能量与力。MACE-POLAR-1(v0.3.16 引入,2026 年 5 月)扩展了显式长程静电,训练于 OMol25 数据集(1 亿个结构,ωB97M-V 杂化泛函),学习每原子电荷与自旋密度,但仅覆盖 83 种元素。
许可边界同样重要。代码本身是标准 MIT(LICENSE.md 全文为 MIT License,Copyright (c) 2022 ACEsuit/mace),但权重许可并不统一:mace-foundations 仓库的模型表显示 MACE-MP-0a/0b/0b2/0b3 与 MACE-MPA-0 为 MIT,而 MACE-OMAT-0、MACE-MATPES 系列、MACE-MH-0/1、MACE-OMOL-0 与 MACE-POLAR-1 为 ASL(Academic Software License)。MACE-OFF23 仓库的 README 写得更明确:「下载模型即表示同意 Academic Software License,可自由用于学术目的,但不可用于商业目的」。这意味着在商业 CAE 交付场景中,代码可以自由使用,而相当一部分最新权重需要单独评估授权。这是工程选型时最容易漏掉的一环。
四、上手路径
安装路径有两条。PyPI 分发名为 mace-torch(不是 mace——PyPI 上的 mace 是一个 2017 年上传的同名无关包,只有 4 个版本,与本项目无关,这是最容易踩的坑)。截至 2026 年 10 月 27 日,mace-torch 最新版本为 0.3.17,共 15 个发布版本,要求 Python ≥ 3.11、PyTorch ≥ 2.5,依赖 e3nn 0.4.4、numpy、opt_einsum、ase、torch-ema、prettytable、matscipy、h5py、torchmetrics。
pip install mace-torch
最小可运行示例:
from ase.build import bulk
from mace.calculators import mace_mp
atoms = bulk("Cu", "fcc", a=3.6, cubic=True)
atoms.calc = mace_mp(model="medium", device="cpu")
print(atoms.get_potential_energy(), atoms.get_forces())
模型尺寸通过 model 参数选择(small/medium/large/extra-large)。权重首次使用时自动下载并缓存,下载走 raw.githubusercontent.com 归一化的 URL,socket 读超时为 120 秒。
微调是第二个关键步骤,用于把通用权重收敛到具体体系。典型流程是:先用 mace_mp 跑一段目标体系的构型采样(保证覆盖训练分布),再以 --foundation_model=medium 起步,用 --multiheads_finetuning 与 --energy_key/--forces_key 指定标签列。v0.3.14 引入的伪标签微调(--pseudolabel_replay)允许模型在自己的预测上继续训练,用于在缺少高精度标签时稳定收敛。
第三个步骤是接入生产级 MD。仓库提供两条 LAMMPS 路径:lammps_mace.py 使用 libtorch 格式,lammps_mliap_mace.py 使用 LAMMPS 的 MLIAP 接口,后者于 v0.3.13 引入并支持 CuEquivariance GPU 加速;create_lammps_model.py 提供 --format=mliap 与 --format=libtorch 选择。v0.3.13 同时加入多 GPU 推理支持(通过 MPI 传递中间张量)与原子应力/原子 virial 输出。
在正式投入长轨迹生产之前,建议先做一次基线验证:取三到五个已知物性的体系(体心立方铁、铝、二氧化硅等),比较 MACE 计算的晶格常数、体积模量与 DFT 的偏差,并检查声子谱是否出现明显负频。负频通常指向势函数在相应位移模式上的曲率符号错误,这类问题在静弛结构上完全看不出来,只在低温动力学中暴露。仓库的 tests/ 目录提供了回归测试用例,可直接作为验证脚本的模板。
工程上的最后一步是版本对齐。v0.3.17 明确警告了 v1.0 将移除或替换的选项,包括 MACECalculator(warmup=...)(此前接受但无效果,现会抛 TypeError)、IPEX 扩展支持(Intel 已转向 PyTorch 2.8+ 的原生 XPU)、cueq-cuda-11 extra,以及训练时默认关闭 cuEquivariance 卷积融合(因其在变长 batch 上严重退化,推理仍默认开启)。这些变更直接写在发布说明里,升级前应逐条比对。
五、横向对比
把 MACE 放在机器学习势的坐标系里,横向对比至少要分三个维度:架构路线、权重策略与生态形态。
架构路线上,等变性是 2022 年之后的主流共识。MACE 的直接竞争者包括 NequIP(Meta 的等变消息传递实现)、Allegro(严格等变、无笛卡尔坐标依赖)、SevenNet、CHGNet(以及由其衍生的 MACE-MP 系列训练数据 MPtrj)、MatGL、Deep Potential(DP-GEN 体系)等。MACE 的差异化特征是高体序等变特征带来的两层交互结构,这直接转化为推理速度优势——在需要长时间尺度的生产 MD 中,交互层数是决定单步成本的关键因素。
权重策略是第二条线,也是 MACE 生态最独特的部分。大部分 MLIP 项目只发布训练代码与训练脚本,模型权重需要用户自行训练。MACE 从 2024 年 1 月起建立 mace-foundations 仓库专门分发预训练权重,目前有 10 个 release:mace_mp_0(2024-01-11)、mace_mp_0b(2024-04-28)、mace_mp_0b2(2024-11-12)、mace_mp_0b3(2024-12-17)、mace_mpa_0(2024-12-17)、mace_omat_0(2025-01-15)、mace_matpes_0(2025-03-25)、mace_omol_0(2025-07-01)、mace_mh_1(2025-10-29)、mace_polar_1(2026-02-23)。同一权重也发布在 Hugging Face(mace-foundations 组织)。这种「代码 + 权重 + 训练脚本 + 数据集引用」四件套的发布方式,是基础模型的标准形态。
生态形态是第三条线。MACE 是少数同时维护 Python 与 Julia 两套实现的 MLIP:Python 侧负责主流 MD 集成与训练,Julia 侧 ACE.jl 体系(含 ACEpotentials.jl、ACEhamiltonians.jl、EquivariantModels.jl、ACEmd.jl、ACEfit.jl 等数十个包)提供更高性能的实现与可微分哈密顿量构造。组织下另有 mace-jax(JAX 后端,2023 年起)与 ace-jax(2026 年 9 月新建),说明作者正在把等变架构向自动微分与 JIT 编译路径迁移。mace-tutorials(Jupyter Notebook)与 ACEregistry 提供模型与势的注册表机制。工业侧的落地路径则通过 LAMMPS MLIAP 接口与 ASE 标准接口打通。
需要客观指出的是,Julia 生态的多个包在 GitHub 上标为「无明确许可」(None)或 NOASSERTION,例如 ACE.jl、ACE1.jl、ACEbase.jl、ACEatoms.jl;这与 Python 主仓的 MIT 明确许可形成对比,商业场景选用前需逐包核对。
六、基准与数据
MACE-MP-0 的基准结果在《A foundation model for atomistic materials chemistry》论文中给出。论文摘要陈述的核心结论是:在公开的中等规模数据集上训练的通用原子模型,可以对多种分子与材料运行稳定的分子动力学;论文在固体、液体、气体、化学反应、界面乃至一个小蛋白的动力学上验证了 MACE-MP-0 的能力,并称其具备定性的、有时是定量的精度。
评估基准主要有三类。第一类是通用有机小分子基准,rMD17 与 3BPA,MACE 在这两项上作为架构有效性的证据。第二类是材料稳定性基准 Matbench Discovery(arXiv 2308.14920,2023-08-28,10 位作者,含 Gerbrand Ceder),这是一个把机器学习能量模型用作高通量稳定无机晶体搜索前置筛选器的评估框架,配套 Python 包与在线排行榜。mace-foundations 的 README 明确记载 MACE-MPA-0 在 Matbench 基准上达到当时的最优精度,并相对 MACE-MP-0 在材料体系上有显著提升。第三类是能量-力-应力三元组的对比,MACE-MATPES 的发布说明给出了与 M3GNet、CHGNet、TensorNet 的并列表格(MACE 一行为 PBE 泛函下的能量、力、应力误差)。
关于数据集本身,MPtrj 来自 Materials Project 的轨迹数据,论文在训练时采用 DFT(PBE+U)泛函,训练集规模约 15 万个无机晶体构型,覆盖周期表中大部分元素。mace-foundations 提供了 MPtrj 的下载(training_data.zip),并要求使用者引用 CHGNet 论文(arXiv 2302.14231,Deng 等,2023)作为数据集来源。MACE-MPA-0 的训练集是 MPtraj 与 sAlex 合并后的版本,新增 350 万个晶体构型。
MACE-OFF23 的数据链是另一条:训练与评估数据存放于 Cambridge Data(DOI 10.17863/cam.107498,2024 年,DataCite 类型 Dataset,权利标注 MIT License,作者列表含 Harry Moore、Dávid Péter Kovács、Nicholas J. Browning、Ilyes Batatia、Joshua T. Horton、Venkat Kapil 等)。该数据集对应的工作是期刊论文《MACE-OFF: Short-Range Transferable Machine Learning Force Fields for Organic Molecules》(DOI 10.1021/jacs.4c07099,Journal of the American Chemical Society,2025 年 5 月 19 日),预印本版本为 arXiv 2312.15211。
第三方综述方面,Nature Reviews Chemistry 的《Foundation models for atomistic simulation of chemistry and materials》(DOI 10.1038/s41570-025-00793-5,2026 年 2 月 11 日,卷 10,页 212–230,14 位作者,第一作者 Eric C.-Y. Yuan)系统梳理了原子尺度基础模型这一整条路线,是评估 MACE 在更大图景中位置的高价值参考。此外 Chemical Science 2026 年发表了《Node-equivariant message passing for efficient and accurate machine learning interatomic potentials》(DOI 10.1039/d5sc07248d,卷 17,页 3793–3803,作者 2 位,第一作者 Zhang),代表了在 MACE 之后的架构改进方向——节点等变消息传递,是对 MACE 式逐原子等变的进一步泛化。
七、物理 AI 场景中的用法
MACE 在物理 AI 工作流中承担的角色可以概括为:把第一性原理的精度下推到工程可承受的时间尺度,从而让高质量物理数据可以被大规模生成。这正是数据驱动方法与物理方法耦合的枢纽环节。
第一种用法是代理模型的标签来源。训练下游的物理 AI 模型(材料性质预测、势能面拟合、系综动力学、稀有事件采样)时,最贵的成本是标签。示例训练的稳定性直接决定代理模型的上限。用 MACE 生成的标签量级可达数十万构型,覆盖从晶体到液体再到表面的多相态。这类「MLIP 生成标签 → 代理模型学习 → 反过来指导 MC/MD 采样」的三段式闭环,已成为凝聚态物理与化学机器学习的常规工作流,站内可参考 数据同化与贝叶斯反演、代理模型与降阶模型 与 物理基础模型 三个主题簇,其中后者把「原子尺度势函数」与「场论尺度的物理基础模型」放在同一条脉络上讨论。
第二种用法是控制与设计闭环。对形貌优化、界面工程、催化活性位筛选等问题,优化目标函数往往需要对大量候选构型做评估,每个构型的 DFT 计算成本使枚举不可行。MACE 把评估成本降到 MD 量级,使「生成候选 → 势函数评估 → 筛选 → 回馈 DFT 精修」成为可行流程。这条路径对电力与算力行业的材料选型(电极材料、散热界面材料)有直接的工程含义,可与本站的 拓扑优化与结构生成 条目,以及 增材制造工艺仿真 中关于过程模拟的讨论对照阅读。
第三种用法是作为环境模型嵌入强化学习或主动学习循环。在机器人与自主系统的材料操作场景中,接触力学与断裂行为难以用解析模型描述,用 MLIP 充当高保真环境可以显著加速策略搜索。这条路径对模型的外推安全性要求极高,超出训练分布的构型必须被识别并拒绝——这一要求在第七节末尾给出版权与安全边界的具体建议。
第四种用法是跨尺度耦合中的中间层。MACE 提供的是原子尺度,而工程问题往往跨越原子—介观—宏观三个尺度。原子尺度的势函数输出(力、应力)可以作为介观有限元或相场模型的输入,把本构关系与断裂准则替换为 MLIP 导出的场,为宏观有限元提供更真实的材料参数。这一方向与本站收录的 桥式结构仿真 中讨论的连续介质建模形成对照,也可与 求解器与数值格式 集合对照,理解从分子动力学到有限元的精度传递链。
在选型层面,建议按以下顺序决策:先确定目标体系是否落在某个权重的训练分布覆盖内(元素集合、泛函、结构类型三个维度都要查);再确认需要的物理量在权重输出范围内;然后核对权重许可是否满足使用场景;最后评估是否需要微调,以及是否有足够的高精度标签。如果前三步有任一不通过,直接进入微调流程通常比强行套用预训练权重更有效。
八、不适用场景与失效模式
MACE 的失效模式有明确的技术成因,逐条对应到使用上的判断。
域外构型导致发散。MLIP 在训练分布外的行为没有物理约束,可能给出能量非单调、力爆炸的结果。典型触发条件包括:元素组合从未在训练集中出现(如 MACE-MP 未覆盖的元素)、极端压缩或高温导致的异常配位、化学键断裂或成键过程中出现的过渡态构型、以及电荷或自旋态变化剧烈的体系。工程上的防线是:训练时对每步 MD 做能量与力的合理性检查(有限阈值),并在遇到非物理值时中止,避免续算。
泛函不匹配。预训练权重绑定特定电子结构方法。PBE 权重不能替代 r²SCAN 权重用于高精度计算;如果目标任务是 r²SCAN 精度而直接用 PBE 权重,得到的不是「稍差但同量级」的结果,而是带有系统性方法误差的数据。MACE-MH-1 的多头部设计部分缓解了这个问题,但在单一泛函目标下仍应显式选择对应头。
长程相互作用与极化体系失效。大部分 MACE 权重以短程截断的局部能量表达为主,对极性液体、离子体系、界面双电层等需要显式长程静电的场景描述不足。MACE-POLAR-1 正是为此引入非自洽极化场形式,但仅覆盖 83 种元素、训练于特定数据集。判定标准很直接:若目标体系的静电主导项在截断半径外仍有显著贡献,标准权重不适用。
振动谱与高压相的已知缺陷。mace-foundations 的 README 明确记载了代际修正过程:MACE-MP-0b 改进了对排斥的描述与孤立原子能量,0b2 改进高压下的稳定性,0b3 修正了 0b2 相对的一些声子问题。这一串修正本身说明,声子谱与高压相的精度是 MLIP 的薄弱环节,且在持续改进中。使用者若关心声子或高压物性,应优先选最新代际(MPA-0 及之后),并在关键结果上做 DFT 对照。
基态能量符号约定导致的热力学错误。由于孤立原子能量偏移的处理方式,势函数给出的「形成能」依赖训练数据中的参考态约定。若把不同批次、不同模型输出的能量直接混用做相图或热力学积分,会引入无法察觉的系统偏差。缓解办法是所有能量都经过同一模型与同一偏移约定产生,并在做相稳定性比较前用 DFT 抽样校准。
v1.0 重写带来的断裂。仓库 README 声明 MACE 正在向 v1.0 重写,重写过程在 mace-reforge 分支公开进行,v0.3.x 是受支持的生产线。v1.0 不保留代码兼容性,已训练检查点需要通过显式转换器迁移,无法直接加载。实务影响是:长期维护项目应锁定 v0.3.x 版本并跟踪发布说明中的弃用清单,不要在 v1.0 落地前切换主线。
许可风险不是技术问题但同样是失效模式。如第三节所述,MACE-MP-0 系列权重为 MIT,而 OMAT、MATPES、MH、OMOL、POLAR-1 与 MACE-OFF23 为 ASL(限学术用途)。若在商业产品或对外交付中使用了 ASL 权重,构成授权违约。这一条需要在技术选型阶段就锁定,避免到发布前才发现。
九、版本与口径核对
版本谱系需要分层记录,因为「版本」在不同层面含义不同。
代码版本。MACE 主仓有 18 个 release,最早 v0.2.0-alpha(2023-02-09),随后 v0.3.0(2023-11-09)、v0.3.2(2023-12-06)、v0.3.3(2024-01-08)、v0.3.4(2024-01-16)、v0.3.5(2024-06-10)、v0.3.6(2024-07-16)、v0.3.7(2024-10-02)、v0.3.8(2024-11-12)、v0.3.9(2024-11-27)、v0.3.10(2025-02-04)、v0.3.11(2025-03-14)、v0.3.12(2025-03-16)、v0.3.13(2025-04-30)、v0.3.14(2025-08-05)、v0.3.15(2026-02-22)、v0.3.16(2026-05-10)、v0.3.17(2026-10-27)。Git 标签总数 21 个,另含 v0.3.7b 与 use-23Sep-24 等非发布标签。PyPI 分发 mace-torch 的版本号与 GitHub release 同步,15 个发布,最新 0.3.17(2026-10-27)。
权重版本。mace-foundations 仓库的 10 个 release 即上文第五节所列的模型代际,另有更早的 mace-mp 仓库承载第一代权重。
存档标识。README 徽章指向的 Zenodo DOI 10.5281/zenodo.14103332 经 DataCite 核验指向「ACEsuit/mace: v0.3.17」,类型 Software,出版年 2026,权利标注 CC-BY-4.0,作者 30 位,概念 DOI 为 10.5281/zenodo.14103332 本身。mace-foundations 补充材料存放于 Zenodo 的 mace-mp community。
分支口径。主仓默认分支是 develop(不是 main),v1.0 重写在 mace-reforge 分支;mace-foundations、mace-off、mace-jax 等仓库默认分支为 main。使用 git clone 后默认拿到的是开发线,若需稳定版本应显式 checkout v0.3.x 标签。
生态仓库的规模与时间线。ACEsuit 组织下共 63 个公开仓库,构成两层结构:核心层是 mace(2022-06-21 创建,2026-11-11 最后推送,默认分支 develop,Python,GitHub API 许可字段为 NOASSERTION)、mace-foundations(2024-01-11 创建,2026-08-26 最后推送,MIT,324 star)、mace-jax(2023-02-06 创建,2026-11-08 最后推送)、mace-off(2024-01-04 创建,2025-01-29 最后推送)、ACEpotentials.jl(79 star)、mace-tutorials(78 star)、ACE.jl(67 star,2019 年创建)与 mace-layer(50 star);外围层是 mace-scf(2026-06-03 创建)、ace-jax(2026-09-20 创建)、ACEdensitymatrix(2026-11-11 最后推送)、RealMLTB.jl(2026-10-26 创建)等较新的实验性仓库。这一组织形态说明维护重心正从单一势函数实现转向多层工具链。
许可标识的判定口径。GitHub API 对多个仓库返回 NOASSERTION 或空值,原因各不相同:mace 是因为许可文件名为 LICENSE.md 且内容格式不被自动识别;ACE.jl 等 Julia 包确实未在仓库根目录放置标准许可文件;mace-off 的许可写在 LICENSE.md 中并附带 ASL 全文链接,与 MIT 结构不同。判定顺序应为:先看仓库根目录是否存在许可文件并读其首行声明,再看 README 中的许可段落,最后才参考 GitHub 元数据。把 API 字段当作唯一依据会得出错误结论。
口径差异提示。有三处容易在引用时出错:一是 GitHub API 对 ACEsuit/mace 的许可字段返回 NOASSERTION(因许可文件名为 LICENSE.md 且格式不被自动识别),实际是标准 MIT,README 徽章写作「MIT 2.0」也是不准确的,应以 LICENSE.md 全文为准;二是 README 徽章写的 MIT 2.0 与 MIT 许可证的官方版本号(1.0)不一致,属于徽章文案问题;三是论文的发表版本与预印本版本需分别引用——2023 年基础模型论文的 arXiv 版为 2401.00096,期刊版为 JCP 10.1063/5.0297006(2025-11-13),MACE-OFF23 的预印本为 arXiv 2312.15211,期刊版为 JACS 10.1021/jacs.4c07099(2025-05-19),引用时应核对目标期刊所要求的版本。
十、参考资料
- MACE 代码仓库与发行页。https://github.com/ACEsuit/mace ,DOI:https://doi.org/10.5281/zenodo.14103332
- Batatia I., Kovács D.P., et al. MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields. Advances in Neural Information Processing Systems 35, 11423-11436, 2022. DOI:https://doi.org/10.52202/068431-0830
- Batatia I., Benner P., Chiang Y., et al. A foundation model for atomistic materials chemistry. arXiv:2401.00096, 2023. DOI:https://doi.org/10.48550/arXiv.2401.00096
- Batatia I., Benner P., Chiang Y., et al. A foundation model for atomistic materials chemistry. The Journal of Chemical Physics, Vol. 163, 2025. DOI:https://doi.org/10.1063/5.0297006
- MACE 预训练基础模型权重仓库。https://github.com/ACEsuit/mace-foundations
- MACE-OFF23 可迁移有机分子力场模型仓库。https://github.com/ACEsuit/mace-off
- Kovács D.P., Moore J.H., Browning N.J., et al. MACE-OFF: Short-Range Transferable Machine Learning Force Fields for Organic Molecules. Journal of the American Chemical Society, 2025. DOI:https://doi.org/10.1021/jacs.4c07099
- Kovács D.P., Moore J.H., Browning N.J., et al. MACE-OFF23: Transferable Machine Learning Force Fields for Organic Molecules. arXiv:2312.15211, 2023. DOI:https://doi.org/10.48550/arXiv.2312.15211
- MACE-OFF23 训练与评估数据集。Cambridge Data Repository, 2024. DOI:https://doi.org/10.17863/CAM.107498
- Riebesell J., Goodall R.E.A., Benner P., et al. Matbench Discovery - A framework to evaluate machine learning crystal stability predictions. arXiv:2308.14920, 2023. DOI:https://doi.org/10.48550/arXiv.2308.14920
- Yuan E.C.-Y., et al. Foundation models for atomistic simulation of chemistry and materials. Nature Reviews Chemistry, 10, 212-230, 2026. DOI:https://doi.org/10.1038/s41570-025-00793-5
- Zhang S., et al. Node-equivariant message passing for efficient and accurate machine learning interatomic potentials. Chemical Science, 17, 3793-3803, 2026. DOI:https://doi.org/10.1039/d5sc07248d
- Deng B., Zhong P., Jun K., et al. CHGNet: Pretrained universal neural network potential for charge-informed atomistic modeling. arXiv:2302.14231, 2023. DOI:https://doi.org/10.48550/arXiv.2302.14231
- Gönnheimer M., et al. MACE-MDP: A Foundation Model for Molecular Dipole Moments and Polarizabilities. ChemRxiv, 2026. DOI:https://doi.org/10.26434/chemrxiv.15000716/v1
- MACE 官方文档站。https://mace-docs.readthedocs.io/
- MACE PyPI 分发包 mace-torch。https://pypi.org/project/mace-torch/
- MACE 教程仓库。https://github.com/ACEsuit/mace-tutorials
- ACE.jl 等变计算基础包。https://github.com/ACEsuit/ACE.jl