跳转至

后端

每次计算只用一个后端。后端由 --model-type 或设置里的模型别名、profile 指定;都没有指定时, 程序报 No MLIP backend was selected 并停止,不会自动换用其他后端。

后端 页面 --model-type 示例中使用的模型
MACE MACE mace mace-omat-0-medium.model
DPA(DeepMD-kit) DPA dpa DPA-3.1-3M.pt,配合 --head Omat24
GRACE GRACE grace GRACE-2L-OMAT-medium-base
UMA(FAIRChem) UMA uma(或 fairchem) uma-s-1p2.pt,配合 --task omat
NEP NEP nep(必须再加 --nep-runtime ase|gpumd) 你自己的 nep.txt

各后端的框架和 Python 版本要求不同,所以各自装在单独的环境里(.venv-mace、.venv-dpa、 .venv-grace、.venv、.venv-nep),详见安装。检查某个后端能否正常运行,用 doctor:

.venv-mace/bin/mliport doctor --engine mace --device auto

DPA 和 GRACE 必须在框架加载前选好 GPU。命令行会新开一个进程并设置 CUDA_VISIBLE_DEVICES; 用 Python API 时需要你自己先设置好。

每个后端页面的结构相同:模型介绍、安装、mliport 固定的模型 profile、运行方法、注意事项。环境表 和 profile 表由代码自动生成,和代码保持一致。

一览

MACE DPA GRACE UMA
结构 带多体特征的等变消息传递 线图序列上的消息传递(原子对、键角……) 图原子团簇展开(1L 局部,2L 半局域) 带线性专家混合的 eSEN 网络
示例检查点的训练数据 OMat24 OpenLAM-v1(31 个数据集) OMat24 OMat24、OMol25、OC20、ODAC25、OMC25
示例的参考水平 PBE / PBE+U,体相 取决于 head;Omat24 = PBE / PBE+U PBE / PBE+U,体相 取决于 task;omat = PBE / PBE+U
你要选的 精度(float64 / float32) --head 导出的版本 --task
框架 PyTorch PyTorch(.pb 为 TensorFlow) TensorFlow PyTorch
示例的许可证 请查检查点 请查检查点 请查检查点 仅限非商业研究

这些检查点都不含色散,也只有 UMA 的训练数据在体相之外还包括表面和分子。基础模型复现 的是它的参考泛函,而不是实验;它在你的体系上复现得好不好,需要用几个 DFT 单点来检 查。如何公平地比较后端,见模型页面。