一句话定位

UMA（Universal Models for Atoms, Meta）是目前最接近”力场界 GPT”的存在——它用一套骨干在催化、晶体、分子、界面等多个域上联合训练，通过任务特定适配头跨域切换，试图回答”跨域物理到底可不可迁移”。

背景：跨域迁移的物理之问

到了 2025 年，单个域的通用势已经成熟：晶体有 MACE-MP-0、催化有 OC20 系、分子有 OMol25。但每个模型都是”一个域一个模型”。Meta 提出的问题是：这些域之间到底有没有共享的物理？

如果答案是肯定的，那么一个模型在催化上学到的原子间相互作用，应该能帮助它在晶体、分子上表现得更好——这就是”基础模型”的商业逻辑在科学计算中的复刻。

架构：eSEN风格骨干 + 适配头

UMA 的架构是eSEN 风格（eSEN：平滑能量网络，平滑 + 保守力路线的常青树 的骨干），因为 eSEN 已经被证明在力质量上优秀。它的设计核心是：

  • 共享骨干：一个等变消息传递网络，接受原子结构输入，输出通用的原子表示；
  • 任务特定适配头：针对不同任务（催化 S2EF、晶体稳定性、分子性质、界面）挂不同的输出头；
  • 两档规模：UMA-Small / UMA-Medium，适配不同算力。

训练：多域联合 + 任务头

训练数据横跨 Meta 的整个数据版图（见 通用势的数据集版图 ）：

  • OC20/OC22：催化表面吸附；
  • OMol25：有机分子（杂化泛函精度）；
  • OMat24：无机晶体（非平衡构型）；
  • ODAC23：水溶液界面。

训练时所有域共享骨干参数，只切换任务头。这迫使骨干学到一个跨域通用的原子表示，而不是某个域的专用特征。

榜单与表现

UMA 的表现很有代表性（数据截至 2026-09-23）：

观测 结论
单域内不总是 SOTA 在 MatBench Discovery 上不是榜首（UMA-M-1.1 约 F1 0.929，CPS 与 eSEN-OAM 相当）
零样本起点几乎没有短板 各域都有可用精度，无死角
少量微调快速逼近专用模型 微调后能追平甚至超过单域专用模型

结论：跨域迁移的物理确实存在，但以”通吃”换来了”不拔尖”。 这是基础模型的标准剧本：泛化换峰值，广度换深度。

争议与展望

争议点：

  1. “大而不专”——UMA 在单个域内很少拿第一，批评者认为”与其跨域通吃，不如分域各练一个专用模型”；
  2. 训练成本极高——万亿构型级的多域训练，只有 Meta 这种体量玩得起；
  3. 评价标准之争——用”零样本全才”还是”单域峰值”评价基础模型，直接决定它的口碑。

展望：

  • UMA 证明了基础模型路线在原子尺度可行，后续团队（包括国内 OpenLAM 系）纷纷跟进多域联合训练；
  • “预训练通用底座 + 微调定制”正成为新的行业范式——这与 MACE-MP-0 当年确立的”预训练 + 微调”是一脉相承的，只是底座从”晶体通用”升级为”跨域通用”。

参考文献

  1. Wood, B., et al. Universal Models for Atoms (UMA). Meta AI, 2025. 详见 Meta 官方发布与相关 arXiv 预印本。
  2. 架构骨干 eSEN 见 eSEN：平滑能量网络，平滑 + 保守力路线的常青树，数据版图见 通用势的数据集版图。