小径

一句话定位 背景：数据集先验的极限 架构：Multi-Cutoff Spectral Decomposition Prophet-Spin：把自旋变成显式变量 训练数据：ELEMENTA 与三亿构型 榜单成绩 局限与影响 参考文献 一句话定位Prophet（Kairos Materials, 2026）是当前 MatBench Discovery 的榜首（CPS 0.912），也是首个把”谱分解等变骨干 + 显式自旋变量”放进同一框架的原子级基础模型。它以 62.3M 参数、三亿级构型训练，把对称相对热导率误差压到 0.065——比最强基线再低约 30%。 它代表了一个新方向：基础模型的”规模”不再只靠堆数据，而是把覆盖维度从”化学空间”扩到”构型分辨率 + 物理自由度（自旋）”。 背景：数据集先验的极限论文的出发点是一个清醒的观察：现有通用势的”通用”其实很偏。训练数据普遍来自已知晶体结构、原型替换和稳定性筛选（MPtrj、Alexandria 都是如此），这带来两个问题： 先验偏置：模型在”熟悉的化学空间”里越练越熟，但从未见过的新组合、竞争结构附近的分辨率很差； 物理自由度 ...

一句话定位 GRACE：把CG张量积换成可学习基函数 TACE：高阶张量积的正统进化 TECE：加入旋转不变注意力的集大成者 榜单成绩 三者的技术脉络 参考文献 一句话定位GRACE / TACE / TECE 是德国鲁尔大学 Bochum（ICAMS, Drautz 组）与中国上海科技大学（Zemin Zhang）分别在”等变 + ACE”两条子路线上打出的组合拳：GRACE 用可学习基函数把推理做快，TACE 用高阶张量积把精度做高，TECE 再把旋转不变注意力加进来冲刺榜首。 GRACE：把CG张量积换成可学习基函数GRACE（Graph-based ACE） 的核心洞见：等变网络的精度瓶颈不在”等变”，而在 CG 张量积的昂贵。它做了两件事： 用 ACE（原子簇展开）的可学习径向基函数替代球谐张量积——等价于在 ACE 框架内引入等变基函数，保持等变性的同时把计算复杂度降下来； 多层堆叠（GRACE-1L/2L/3L），把 ACE 的单层描述扩展为可堆叠的深度网络。 结果：推理速度比同精度等变模型快数倍，参数量却极小（GRACE-1L 仅 3.45M 参数、GRACE- ...

一句话定位 eqV2 的教训：一段前置史 EquiformerV3：三大增量 SwiGLU-S²：为什么能同时保等变与降采样复杂度 榜单成绩 局限与影响 参考文献 一句话定位EquiformerV3（arXiv:2604.09130）是等变图注意力 Transformer 的第三代，把”软件加速 + 注意力微改 + 新激活函数”三路增量合成一体。它与 DeNS 去噪配合，在 OC20、OMat24、MatBench Discovery 三个榜单同时拿到 SOTA——在通用势榜单上以 F1 0.931 登顶稳定性分类，CPS 0.902 稳居头部。 它回答了上一章 eqV2 留下的问题：等变 Transformer 家族能不能在”不牺牲物理平滑性”的前提下把精度推到顶尖？ 答案是可以——只要用对激活函数。 eqV2 的教训：一段前置史在讲 EquiformerV3 之前，必须先交代它的大哥 eqV2 留下的遗产。 eqV2（Meta FAIR, 2024，arXiv:2410.12771）是”把催化竞速模型 EquiformerV2 直接当通用势用”的尝试：在 MPtrj + OMa ...

一句话定位 非等变路线的赌注 PET：Point Edge Transformer ORB：大规模数据 + 旋转增广 榜单成绩 成功还是失败？ 参考文献 一句话定位PET 和 ORB 是通用势里最”离经叛道”的一支——它们完全放弃显式等变约束，用纯 Transformer 直接处理点云，靠大规模数据和随机旋转增广隐式满足对称性。结果证明了等变性是充分条件而非必要条件。 非等变路线的赌注从 等变神经网络：原理与脉络 以来，MLIP 社区的主流信念是：等变架构因内建对称性而数据高效。PET/ORB 的赌注是：这个”数据高效”的优势可以被”数据管够 + 简单架构”抵消——与其维护复杂的 CG 张量积，不如上更大规模的纯 Transformer。 这和视觉领域”ViT 战胜卷积的归纳偏置”是同一个剧本。 PET：Point Edge TransformerPET（EPFL, lab-cosmo）把等变消息传递的”卷积”替换成 Transformer 的注意力，但保留了点-边（point-edge）混合图结构： 点：原子； 边：键/近邻； 注意力：标准 self-attention，用方向 ...

一句话定位 背景：跨域迁移的物理之问 架构：eSEN风格骨干 + 适配头 训练：多域联合 + 任务头 榜单与表现 争议与展望 参考文献 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 ...

一句话定位 架构：四层平滑性防线 直接力 vs 保守力：一场关于声子的辩论 训练协议：直接力预训练 + 保守微调 OAM 版本：从MP到通用 榜单成绩 局限与影响 参考文献 一句话定位eSEN（equivalent smooth energy network, Fu et al., Meta FAIR, 2025）是”平滑能量网络 + 保守力”路线的代表，也是 MatBench Discovery 上最常青的 OAM 模型之一——它以 30.2M 参数的 eSEN-30M-OAM 稳居 CPS 0.888（Top10），上榜近一年半仍未被淘汰。 名字里的两个关键词——smooth 和 expressive——对应它要解决的两个问题：平滑性（力的质量）与表达力（消化亿级数据）。 架构：四层平滑性防线等变网络走向大模型时代有一个绕不开的拦路虎：力的预测质量问题——许多高精度能量模型的力出现尖峰、噪声等病态行为，导致声子谱、过渡态搜索等下游任务翻车。神经网络势能面若不处处二阶可微，求导得到的力就会不连续，分子动力学轨迹上表现为能量的锯齿跳变和声子谱的鬼峰。eSCN解决了”算得动”（见 e ...

一句话定位 SevenNet：NequIP的并行化改造 COSMOS 数据集：十五库合一 Omni：多任务 + 数据整合时代 榜单成绩 局限与影响 参考文献 一句话定位SevenNet-Omni 是”超大整合数据集 + 多任务训练”配方的第一个成功案例——它用 COSMOS 数据集（十五库合一、2.43 亿构型）训出 CPS 0.873 的通用势，宣告了数据整合时代的到来。 SevenNet：NequIP的并行化改造SevenNet（arXiv:2402.03789）是韩国首尔国立大学（MDIL, Park 组）对 NequIP：等变消息传递的开山之作 的工程化改造： 保留 NequIP 的等变消息传递核心； 重写实现，针对多 GPU 大规模并行做了优化（工业级数据加载、分布式训练）； 主打”GPU 集群上跑百万原子 MD”。 它最初的模型 SevenNet-l3i5 用 MPtrj 训练，在 2024 年底就以 1.17M 参数的极致规模拿到 CPS 0.714，展示了参数效率。 COSMOS 数据集：十五库合一真正让 SevenNet 封神的是它背后的 COSMOS 数据集 ...

引言：一条贯穿四代的演进线 DPA-1：注意力机制的试水（2022） DPA-2：双网络架构（2024） DPA-3：LiGS与Scaling Law（2025/2026） DPA-4：EMFA SO(2)卷积与机器精度等变（2026） DPA-4 vs eSEN：两条平滑路线的对决 DPA-4的训练栈：HybridMuon + WSD 参考 引言：一条贯穿四代的演进线DPA（Deep Potential for All）是 DeepModeling / AI for Science Institute / DP Technology 推出的通用原子势家族，目标是”一个模型覆盖元素周期表”。从 DPA-1 到 DPA-4，这条线展现了清晰的演进逻辑： 代 年份 核心贡献 关键词 DPA-1 2022 注意力机制试水，初步通用 attention, pretraining DPA-2 2024 双网络架构，多源数据 summary + fitting DPA-3 2025/26 LiGS 线图级数，Scaling Law line graph, scaling ...

一句话定位 从架构到通用势：一次生态级的发布 MPA-0：改进的数据配方 榜单成绩 为什么说它是生态的奠基者 局限与影响 参考文献 一句话定位MACE-MP-0 是把等变架构推上通用势王座的那一次发布——它以约 15M 参数在 MatBench Discovery 拿到当时领先的 F1≈0.72，凭借开源模型、完整微调工作流和活跃社区，成为整个领域的”标准底座”。后续 MACE-MPA-0 用改进的数据配方把 CPS 抬到 0.795。 从架构到通用势：一次生态级的发布MACE 的架构（多层等变消息传递 + 原子簇展开，见 MACE：高阶等变消息传递与原子簇展开 ）是 2022 年的事。2024 年的 MACE-MP-0 做的不是架构创新，而是把现有架构放到更大的合并数据集上认真训练： 训练数据：MPtrj + Alexandria 合并集（跨 89 种元素，约 158 万 + 千万级构型）； 架构：MACE 中等配置，约 15M 参数； 发布形态：Hugging Face 权重 + 一键微调脚本 + 社区工作流。 它发布的时机恰逢 MatBench Discovery 榜单成 ...

一句话定位 差异化：铺满温度-压力相空间 架构与训练 数据：为什么温压覆盖难 榜单成绩 适用场景与局限 参考文献 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 ...