基础模型机器学习势预训练微调

物理基础模型

面向物理场景的基础模型合集:通用机器学习势、跨领域预训练的基础模型与微调方案,以及多领域评测基准与年度综述。

更新于 2026年11月3日 共 14 个资源
导语

为什么做这个合集

大模型范式正在进入物理领域 —— 预训练一个基础模型,再针对具体任务微调。对文本和图像这已是被验证的路径;物理领域刚起步不久,但方向已经清楚。

本合集把「物理基础模型」拆成三种形态:

  • 通用机器学习势(MLIP):把量子力学计算替换成神经网络,是目前最成熟、最有产业价值的形态 —— 材料、催化、电池的计算成本直接降几个数量级。
  • 跨领域预训练基础模型:在多物理场数据上预训练,再迁移到具体下游任务,Thermal-FM、GridSFM 属于这一类。
  • 几何 / 网格基础模型:直接对几何和网格做预训练与生成,POSEIDON 是代表。

与「神经算子」合集的分工是:神经算子关注单一 PDE 族的解算器学习,基础模型关注跨领域、跨任务的通用表征。两者在实践中正在融合。

评测方面可关注 The Well —— 它是少数专门面向物理基础模型的多领域基准,做横向比较时可直接引用。

通用机器学习势 5 个资源

FAIR Chemistry 与 UMA:跨域原子基础模型平台

材料与化学 / 原子级机器学习
Meta FAIR Chemistry 的集中式仓库,已从 OC20 电催化工具扩展为覆盖分子、材料、催化剂的统一平台;旗舰 UMA 以混合线性专家架构在 5 亿结构上训练,切换任务名即可服务 OC20 至 OC25 等七个体系。
新 仓库代码为 MIT(Meta, Inc.);fairchem-lammps 包在 PyPI 声明 GnuV2;UMA 权重按 gated model terms 单独授权;数据集另附各自条款 原子基础模型机器学习势电催化
💬 编辑点评: 电催化筛选案例,说明通用机器学习势不止是跑单点能量,而是能直接支撑材料发现流程

MACE 机器学习势:从等变消息传递到原子尺度基础模型

分子动力学 / 机器学习势
剑桥 Csányi 团队开源的等变图神经网络势框架,把原子团簇展开与高阶等变消息传递统一,两层交互即可高精度;已发展出 MACE-MP、MH、OMOL、POLAR 等多代基础权重,支撑从晶体到液体、气体、表面与反应体系的开箱分子动力学。
新 MIT(代码);部分权重为 Academic Software License(ASL),仅限学术用途 分子动力学机器学习势等变神经网络
💬 编辑点评: MACE-MP-0 是原子尺度通用机器学习势的代表性实现,配套的势函数已覆盖多种体系

FAIR Chemistry 化学机器学习工具库

材料/化学 / 框架教程
Meta FAIR Chemistry 的开源工具库(原 Open Catalyst Project),覆盖 OC20/OC22 数据集与 GemNet、eSCN、EquiformerV2 等模型,是催化与材料计算 AI 的第一站。
新 MIT 催化机器学习势图神经网络
💬 编辑点评: FAIR Chemistry 是原子尺度机器学习工具库,通用机器学习势的实验与部署入口

LAMMPS

分子动力学模拟软件
桑迪亚国家实验室主导的开源经典分子动力学引擎,覆盖材料与软物质、多尺度与自定义势,并提供 ML-IAP 等机器学习势接口。
新 GPL-2.0 分子动力学材料模拟势函数

基础模型与预训练 7 个资源

支持Droop控制的电力系统基础模型潮流分析

Electromagnetics
提出针对GridFM电力系统基础模型的droop感知扩展,将斜率控制和死区参数嵌入节点特征,实现控制感知交流潮流分析。
见LICENSE文件 电力系统潮流分析基础模型
💬 编辑点评: 支持 Droop 控制的电力系统基础模型潮流分析,把物理约束带进基础模型的任务设计

Therm-FM:基础模型全能搞定3D-IC热仿真

热传导/热管理
Therm-FM提出将预训练PDE基础模型适配到3D-IC稳态与瞬态热传导仿真,降低逐设计从头训练的数据生成成本。
见LICENSE文件 3D-IC热仿真神经算子PDE基础模型
💬 编辑点评: Therm-FM 展示基础模型在 3D-IC 热仿真上的能力,是工程尺度预训练的少见实例

POSEIDON

PDE 基础模型 / 下游基准
ETH Zurich CAM 实验室发布的 PDE 基础模型与下游微调套件,用半群数据增强从单条轨迹挖掘大量训练对,覆盖 15 类下游任务,支持跨分辨率查询。
新 仓库未附 LICENSE 文件;官方模型权重在 HuggingFace 标注为 CC BY-NC 4.0 并注明为 research model 基础模型神经算子下游任务
💬 编辑点评: POSEIDON 处理几何与网格的表征与生成,是「几何基础模型」这一形态的代表

The Well:面向物理基础模型的多领域基准

必读基准论文
提出覆盖 16 个物理领域的统一基准,论证「跨领域预训练」对物理 ML 的增益,是物理基础模型方向必读论文。数据集覆盖 16 物理领域、2000+ 仿真,统一接口与评估协议,论证跨领域预训练对 PDE 代理的迁移增益。
论文(详见发表页) 基准物理基础模型综述
💬 编辑点评: The Well 是专为物理基础模型设计的多领域基准,做方法横向对比时应当优先引用

GridSFM:交流最优潮流求解基础模型

电网优化
基于物理信息图神经网络的交流最优潮流求解基础模型,在54种电网拓扑上预训练,可在10,000节点系统上实现2.45%零样本成本误差。
见LICENSE文件 交流最优潮流图神经网络电力系统优化
💬 编辑点评: GridSFM 把基础模型用在交流最优潮流求解,属于电力系统方向的可落地形态

评测基准与综述 2 个资源

物理信息学习年度进展综述 2025–2026

年度综述 / 物理信息学习
系统性梳理 2025–2026 年物理信息机器学习(Physics-Informed Learning)领域的主要进展,重点覆盖神经算子、扩散模型在 PDE 求解中的应用、大规模基准测试与工业落地案例。
various 综述物理信息PINN
💬 编辑点评: 物理信息学习年度进展综述,基础模型方向的位置可以在其中找到坐标系