UMA(FAIRChem)¶
Meta FAIR 的 UMA 模型通过上游的 fairchem-core 加载。--model-type 写 uma 或 fairchem(上游
包名)都可以。
模型是什么¶
- 结构。 UMA 是 eSEN 类等变网络,截断半径 6 Å,其线性层是线性专家混合:专家权重 按体系的组成、电荷、自旋和任务一次性选定,所以总参数量虽大,推理时实际参与计算的参 数很少(Wood 等,2025)。
- 训练数据。 约 5 亿个结构,来自 OMat24(体相无机,PBE / PBE+U)、OMol25(分子, ωB97M-V)、OC20(催化表面)、ODAC25(金属有机框架)和 OMC25(分子晶体)。这些数据集 的 DFT 设置各不相同,所以你要选 task:每个 task 复现对应数据集的参考水平,不同 task 给出的能量不能互相比较。
- 力。 UMA 论文报告 UMA-S 和 UMA-M 是保守力模型(在直接预测力的预训练之后,再微调成
用求导得到力和应力)。mliport 不依赖这个说法:NEB 和构型搜索在运行时读取预测器的
direct_forces标志并实测能量–力一致性(见下文)。 - 对你意味着什么。 在这几个示例后端里,只有 UMA 的训练数据同时包含表面、分子和多孔
材料,而不只是体相;所以做 slab 上的吸附时,先拿你自己的 DFT 对比
omat和oc20两个 task 再决定。它的许可证仅限非商业研究。
安装¶
| 环境 | Python | 运行时 |
|---|---|---|
.venv |
3.11, 3.12, 3.13 | fairchem-core==2.25.0 (torch 2.13.0) |
固定的 profile¶
| Profile | 标识 | dtype | task | head | 模型 SHA-256 |
|---|---|---|---|---|---|
uma_omat |
UMA-s 1.2 (OMat task head) | upstream/model-defined | omat | None | ba5c0d912efa... |
运行¶
模型从上游 fairchem/UMA 的发布页下载,使用前核对 SHA-256。mliport 不分发模型文件。UMA 的许可证 只允许非商业研究使用,见引用。
需要知道的事¶
--task选择任务类型(周期性体相用omat,分子用omol,催化表面用oc20)。UMA 没有 单独的 head。不同 task 不能混用:分子用omol,周期性晶体用omat。- 推理模式。
--inference-mode可选default或turbo。turbo(TF32 加torch.compile) 需要手动开启,MD 默认不用,以保证精度。--activation-checkpointing可以用速度换显存。 - 精度由模型决定,mliport 只记录框架版本。
- 固定的运行环境。
fairchem-core==2.25.0配 torch 2.13.0。Volta(V100)继续用cu126的 wheel,Turing 及更新的卡用cu130,因为 CUDA 13 的构建不再包含 Turing 以下的内核,并且 需要 580 或更新的 NVIDIA 驱动;cu126的 wheel 在更老的驱动上也能用。 2.25.0 是能加载uma-s-1p2p1(UMA-S 1.2.1)的固定版本。uma_omat的 beta 科学验证是在fairchem-core==2.21.0和 torch 2.8.0 上做的,那批结论只对那套环境成立,不能直接套用到 这里;新环境有它自己的可调用性检查记录。 - 不提供 Nitro。 fairchem-core 从 2.22 起把 UMA Nitro 当成上游的
default预设,并取消了turbo;Nitro 需要 Ampere 或更新的显卡,而且精度更低。mliport 保留自己的两个名字,把它们 映射到数值行为与本文档一直描述一致的上游预设:default走上游batch(不开 tf32、不编译、 不合并 MOLE),turbo走上游multigpu(上游称其为"turbo 原来的设置":tf32、编译、合并 MOLE)。会启用 Nitro 的预设会被拒绝;实际使用的预设、tf32 开关和 Nitro 开关都会写进运行记录。 - NEB 和构型搜索要求力等于能量的负梯度。这在运行时检查:模型声明
direct_forces = true就 拒绝,否则用有限差分在你的结构上实测(见 NEB)。 - 应力只有模型支持时才会输出。
mliport 采用 MIT 许可证。上游软件和模型需要另外引用。