MACE-MP-0：原子尺度通用机器学习势
MACE-MP-0 是面向原子尺度材料化学的基础模型，架构上把原子团簇展开（ACE）与等变消息传递统一在一起，即 MACE 架构。
架构要点：每层使用高阶（四体）等变特征，因此只需两层消息传递即可达到高精度，训练与推理成本显著低于此前的等变势函数，同时在 rMD17、3BPA 等基准上达到最优水平。
训练数据：基于 Materials Project 的公开数据集 MPtrj，约 15 万个无机晶体构型，覆盖周期表中绝大多数元素（PBE 泛函）。
报告表现：开箱即可对固体、液体、气体、化学反应、界面乃至一个小蛋白运行稳定的分子动力学，精度定性可靠、部分定量准确；用极少量目标体系的构型微调即可恢复到第一性原理精度。典型吞吐约为单张 GPU 每天千原子量级、纳秒尺度。
工程启示：它消除了”每换一个体系就要重新训练一个势函数”的循环，这正是机器学习势长期难以进入工程应用的障碍；代码以 MIT 许可在 GitHub 开源。
标签: 分子动力学机器学习势等变神经网络材料基础模型
相关条目
- HydroGym：强化学习流体控制平台 · 面向流动控制的开源强化学习平台，集成 6 类 CFD 求解器后端与数十个预配置环境，用 RL 训练出的控制策略在机翼上实现零样本部署，显著降低表面摩擦阻力。
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- TopoDiff：扩散模型驱动的拓扑优化 · MIT 提出的条件扩散模型拓扑优化方法，用代理模型引导生成过程同时兼顾力学性能与可制造性，在柔度误差与不可行样本比例上大幅优于同类 GAN 方法。
- 如何使用 AI Agent 为仿真准备 3D 场景 · NVIDIA 介绍利用 Agentic AI 工作流为物理 AI 系统准备和验证数字孪生的方法，Agent 可检查 3D 场景并生成仿真相关数据。
- NVIDIA Groq 3 LPX 确定性与 Vera Rubin 高交互推理 · NVIDIA Groq 3 LPX 通过确定性执行技术提升 Vera Rubin 平台推理效率，实现 AI 工厂场景下的高交互性与低功耗计算。