一句话定位

MatterSim（微软）选择了差异化路线：把训练数据铺满温度-压力相空间（0K 到 5000K、到 100 GPa 量级），在高温高压场景拥有其他模型无法企及的覆盖面——地幔矿物、极端条件材料、金属熔化是它的主场。

差异化：铺满温度-压力相空间

通用势赛道的主流竞争维度是”化学空间覆盖”（元素多少、域多广）。MatterSim 另辟蹊径，竞争的是热力学状态空间覆盖：

  • 常规通用势的训练构型集中在平衡态附近（MPtrj 的弛豫轨迹就是典型）；
  • MatterSim 用主动学习 + 分子动力学轨迹采样主动生成大量偏离平衡、跨越宽温压范围的构型；
  • 目标：让模型在”材料真的会去的那些状态”（高温、高压、大形变）下也准确。

这直接决定了它的适用边界：如果你的任务是室温平衡结构性质，MatterSim 不是最优；如果是地幔矿物、金属熔化、冲击压缩，它没有对手。

架构与训练

  • 架构：GNN（等变风格），5M 参数版本（v1）；
  • 训练：能量-力-应力联合监督，主动学习循环持续扩充训练集；
  • 数据：微软自建的 MatterSim 数据集（约 1700 万结构，覆盖宽温压）。

数据：为什么温压覆盖难

这个差异化听着简单，做起来极难：

  1. 数据生成成本高——每条高温高压构型都要真实 DFT 计算，且非平衡构型不能共享弛豫轨迹的便宜；
  2. 主动学习的冷启动——初始时模型不擅长未知区域，采样效率低；
  3. 极压下的泛化——100 GPa 量级的压缩行为与常态化学差异巨大，需要专门的采样策略。

MatterSim 团队为此投入了大量工程，这也是为什么”温压覆盖”至今仍是它的护城河。

榜单成绩

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

指标 MatterSim v1 5M
CPS 0.767
F1（稳定性分类） 0.862
κSRME 0.575
参数 4.55M
训练数据 MatterSim 数据集（1700万结构）

它在常规榜单上并不突出（CPS 0.767，中游），因为它没有用 OAM 配方冲榜。这个分数恰恰说明：MatBench Discovery 衡量的主要是”室温无机晶体稳定性”，不是 MatterSim 的主场。

适用场景与局限

适用场景：

  • 高温高压相图（地幔、行星内部模拟）；
  • 金属熔化与凝固；
  • 冲击压缩、极端形变；
  • 工业材料在服役条件下的行为（如高温合金）。

局限：

  1. 室温平衡态的精度不是它的卖点——需要室温精度请选 MACE-MP-0 与 MACE-MPA-0：生态的奠基者 或 OAM 系模型；
  2. 数据未完全公开——训练集与配方透明性一般；
  3. 单一数据集支撑——没有吃 COSMOS 那种十五库合一的广度。

参考文献

  1. Yang, H., Hu, C., et al. MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures. arXiv:2405.04967, 2024.
  2. 数据集比较见 通用势的数据集版图。