一句话定位

M3GNet（Materials Graph Neural Network）是第一个”一个模型走遍全周期表”的通用原子势。它由 UC San Diego 的 Ong 组（Chi Chen, Shyue Ping Ong）于 2022 年提出，为整个通用势领域完成了”概念可行性”的验证。

背景：通用势的可行性之问

在 M3GNet 之前，机器学习原子势（如 SchNet、NequIP、MACE）都遵循材料专属范式：为一种材料或一小类化学环境训练专属势。这让”通用势”长期停留在设想里——没有人验证过”一个模型能不能同时处理整个周期表上所有元素组合的化学”。

Ong 组的赌注是：只要数据够广、模型容量够大，单一模型可以学会跨元素的原子间相互作用。M3GNet 就是这场验证实验的产物。

架构与思想

M3GNet 的主体是 Ong 组此前开发的 MEGNet（Materials Edge Graph Network）图神经网络框架：

  • 节点：原子（初始特征由元素序数 one-hot 编码）；
  • 边：键/近邻关系（特征由高斯展开的距离 + 截断半径决定）；
  • 更新：经典的消息传递——每条边聚合两端节点的信息更新边特征，节点再聚合邻边特征更新节点表示。

在此基础上 M3GNet 的核心增量是引入三个独立输出头：

  1. 能量头：从图池化后的表示输出总能量（每个原子的局域能量之和，天然满足可加性）；
  2. 力头：直接预测每个原子上的力矢量（而非像后续模型那样走能量梯度）；
  3. 应力头：预测晶胞应力张量（对晶体模拟必不可少）。

这三头结构让 M3GNet 可以用能量-力-应力联合损失训练，直接对齐了 DFT 的输出形式。

训练数据与配方

训练集是 Materials Project 的晶体结构与其 DFT 计算（MPF 数据集，约 6.3 万结构的力场标签），涵盖元素周期表上的绝大多数元素组合。训练目标是：

三个损失的权重可调，默认对力项给予最大权重。

值得注意的是，M3GNet 还顺手做了一个元素嵌入的可迁移性实验：用 $E(3)$ 不变的图池化聚合相邻元素的嵌入，让模型在未见过的元素组合上也能给出合理预测——这是”通用”一词的第一次认真兑现。

榜单成绩

在 MatBench Discovery 榜单上（数据截至 2026-09-23）：

指标 值
CPS 0.428
F1（稳定性分类） 0.569
能量 MAE 0.075 eV/atom
参数 228k

作为历史参照：它 2022 年发布时的 F1≈0.57 已经是当时同类模型（MEGNet 0.510、CGCNN 0.507）里的最优，今天看则远低于第二代模型的 0.90+。它的意义不在分数，而在第一个吃螃蟹。

局限与影响

M3GNet 的局限同样清晰：

  1. 力是直接预测的——这埋下了力的平滑性问题。直接力模型在声子谱类下游任务上系统性吃亏（M3GNet 的 $\kappa_\text{SRME}=1.409$），这个教训后来被 eqV3 / EquiformerV3：等变Transformer的第三代，平滑与榜首双收 再次放大、被 eSEN/DPA-4 正面解决。
  2. 直接力预测违背物理约束——力不是能量梯度的负值，能量与力的自洽性无法保证。这促使后续模型回归保守力（conservative force）范式。
  3. 参数规模与数据规模都偏小——228k 参数、6 万级训练集，撑不起真正的”通用”。

但它的影响是深远的：它证明了方向可行，直接催生了 CHGNet、MACE-MP-0 等后继者。它与 CHGNet：电荷感知的先行者 一起，构成了通用势第一代的完整叙事。

参考文献

  1. Chen, C., Ong, S. P. A universal graph deep learning interatomic potential for the periodic table. Nat. Comput. Sci. 2, 718-728 (2022). arXiv:2202.02450.
  2. Chen, C., Ye, W., Zuo, Y., Zheng, C., Ong, S. P. Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals (MEGNet). Chem. Mater. 31, 9, 3564-3572 (2019).