7net-Omni：多任务学习驱动的通用机器学习原子间势模型解析与应用

1. 项目概述：为什么我们需要一个“全能”的原子模拟模型？

在材料科学和计算化学领域，我们一直面临着一个核心矛盾：量子力学计算（如密度泛函理论，DFT）虽然精度高，但计算成本极其昂贵，通常只能处理几百个原子的体系，时间尺度也局限在皮秒级别；而经典分子动力学（MD）虽然能模拟百万原子、纳秒乃至微秒的尺度，但其依赖的经验势函数（如Lennard-Jones, ReaxFF等）通用性差，精度有限，难以描述复杂的化学反应和电子结构变化。

机器学习原子间势（Machine Learning Interatomic Potentials, MLIPs）的出现，就是为了弥合这个鸿沟。它的核心思想很直观：用神经网络去学习DFT计算产生的大量“原子构型-能量/力”数据对，从而构建一个既接近DFT精度，又能像经典势函数一样高效运算的代理模型。你可以把它想象成一个极其聪明的“插值器”或“模拟器”，它记住了海量DFT计算的结果，并能快速预测新原子排列下的能量和受力。

然而，早期的MLIP大多是“专才”——针对特定体系（比如某种金属或一个小分子家族）训练，换一个材料体系就可能完全失效。近年来，随着Open Catalyst Project、Materials Project等大型数据库的建立，研究者开始训练“通用”MLIPs（Universal MLIPs, uMLIPs），旨在用一个模型覆盖元素周期表的大部分区域和多样的化学环境。

7net-Omni正是在这个背景下诞生的一个代表性多任务uMLIP。它不再满足于成为一个“通才”，而是想成为一个“全能冠军”。其核心创新在于“多任务学习”架构：模型内部集成了多个“通道”（channels），每个通道专门针对一种特定类型的DFT计算设置（如使用PBE还是RPBE泛函，是否加D3色散修正等）进行优化。在推理时，用户可以根据自己体系的特点，选择最匹配的通道来获得最准确的预测。这就好比一个高级相机，拥有针对人像、风景、夜景等不同场景的优化模式，而不是只用一套参数拍所有东西。

本文的目的，就是深入拆解7net-Omni这个模型，并通过一系列严谨的基准测试，看看这个“全能模型”在材料科学中几个硬骨头问题上——比如分子在金属表面的吸附、金属有机框架（MOF）对气体的捕获能力、分子晶体的稳定性、以及使用更精确但更昂贵的r2SCAN泛函时的表现——到底有多能打。对于从事计算模拟的研究者、以及希望利用AI加速材料发现的工程师来说，理解这些模型的性能边界和适用场景，是将其成功应用于实际问题的关键第一步。

注意：评估一个uMLIP，绝不能只看它在某个测试集上的平均误差。更重要的是看它在处理“分布外”数据、复杂化学反应路径、以及不同理论级别数据一致性时的稳健性。这正是本文基准测试的深层价值。

2. 核心设计思路：7net-Omni的多任务学习架构解析

要理解7net-Omni为何能兼顾广度与精度，必须深入其模型架构和训练策略。这不仅仅是堆砌数据，更是一套精心设计的系统工程。

2.1 多任务与多保真度：从数据混杂中提炼知识

传统的单一MLIP训练，数据必须来自同一套DFT计算参数（泛函、基组、赝势等），否则能量参考系不统一，模型无法收敛。而现实世界的计算数据是高度异构的：Materials Project数据库主要用PBE泛函，Open Catalyst项目用RPBE研究催化，有机分子数据库可能用更精确的杂化泛函。7net-Omni的核心思想是拥抱这种异构性，而非回避。

其多任务架构的关键在于引入了任务特定的偏移参数（Task-wise Shift Parameters）。模型的基础部分学习一个通用的势能面（PES），而每个任务（对应一个数据库或一种DFT设置）则学习一组原子能量偏移量s。在训练和预测时，模型的总能量输出为：E_total = σ * E_shared + s · N。其中，E_shared是共享基础网络预测的“本征”能量，σ是一个全局缩放因子，s是一个向量，每个元素对应一种元素的原子能量偏移，N是体系中各元素的原子数向量。

为什么这么做是有效的？不同DFT设置之间的系统误差，很大程度上可以归结为原子能量参考点的不同。例如，PBE和RPBE计算同一个O₂分子，总能量可能相差数电子伏特，但这种差异主要来源于O原子能量的定义不同。通过学习每个任务独有的s，模型能够将不同来源的数据“对齐”到同一个共享的PES上，从而让基础网络专注于学习真实的、与计算方法无关的原子间相互作用物理规律。

2.2 课程学习策略：从简单到复杂的知识构建

直接用一个包含所有数据库的巨型数据集从头训练一个如此复杂的模型，极易导致训练不稳定或陷入局部最优。7net-Omni采用了课程学习（Curriculum Learning）策略，分三步走：

1. 无机晶体基础训练：首先，使用最大的无机材料数据库（如MPtrj, OMat24）训练一个基础模型（称为7net-ompa）。这一步让模型先掌握周期性的、结构相对规则的固体材料的键合规律。
2. 引入分子体系：接着，在已有模型权重的基础上，引入大规模的分子数据库（如OMol25）以及一个精心构建的领域平衡数据集（Domain-Balanced Set, DBS）。DBS是从各个材料域（晶体、表面、分子）中采样的一小部分（约0.1%）代表性结构，用于在训练后期平衡各领域的样本数量，防止模型偏向数据量最大的无机晶体域。
3. 全任务统一微调：最后，将所有数据库（包括r2SCAN等高精度数据）一起加入，对整个模型进行一个周期的微调，最终得到7net-Omni。

这种策略模拟了人类的学习过程：先学基础（晶体），再学拓展（分子），最后融会贯通。它保证了模型在接触复杂的、弱结合的分子体系时，已经具备了坚实的化学键物理图像，从而学得更快、更好。

2.3 模型架构与加速：SevenNet的筋骨

7net-Omni基于SevenNet架构，这是一种等变图神经网络。其技术要点包括：

• 等变性（Equivariance）：模型输出（能量、力、应力）会随着输入原子坐标的旋转/平移而相应变换。这是保证预测物理正确的基石。SevenNet使用球谐函数张量积来构建等变特征。
• 高阶交互：最大角动量量子数l_max设置为3，这意味着模型能够捕捉到原子环境中复杂的角度和方向依赖性，对于描述共价键的方向性、吸附物的取向等至关重要。
• 高效的张量积核：为了处理巨大的模型参数量（数千万）和海量数据，团队开发了FlashTPCUDA内核，用于加速等变张量积运算，相比通用的e3nn库实现了数倍的吞吐量提升。这在图5的推理速度对比中至关重要，使得7net-Omni在保证精度的同时，仍能进行万原子级别的大规模分子动力学模拟。

3. 基准测试实战：7net-Omni在关键场景下的性能剖析

论文中的基准测试并非泛泛而谈的精度对比，而是深入到了具体应用场景的“痛点”。我们逐一拆解。

3.1 分子吸附能预测：精度与可靠性的试金石

吸附能（Eₐdₛ）是催化、气体分离等领域的核心指标，预测误差需控制在0.1 eV以内才有实际筛选价值。测试聚焦于两个经典体系：金属有机框架（MOF）吸附CO₂/H₂O，以及金属表面的小分子吸附。

MOF吸附测试结果（对应原文图2, 3）：

• 整体精度：7net-Omni在预测CO₂和H₂O在多种MOF上的吸附能时，平均绝对误差（MAE）最低，显著优于其他单任务或部分多任务模型（如UMA, DPA）。
• 揭示关键问题——分子能量高估：一个深刻的发现是，许多模型（包括一些优秀的单任务模型）在预测孤立分子的能量时存在系统性高估。如图3a所示，除了eSEN[oam]等少数模型，其他模型预测的CO₂、H₂O等分子能量普遍高于DFT参考值。
• 后果：势能面硬化：这种分子能量的高估，直接导致了吸附势能面（PES）的“硬化”。如图3b-c所示，在CO₂靠近MOF的路径上，使用某些模型计算的势能曲线曲率更大，势阱更深。这意味着模型“感觉”分子和表面的结合比实际更紧，不仅影响吸附能绝对值，更会严重扭曲过渡态和反应路径的预测，对于催化机理研究是致命的。
• 7net-Omni的解决方案：得益于其多任务架构和包含大量分子数据的训练集（如OMol25, SPICE），7net-Omni在分子能量预测上更为准确，从而缓解了PES硬化问题，获得了更可靠的吸附能和反应路径。

实操心得：在评估一个MLIP用于吸附或催化研究前，务必单独检查其对相关孤立分子（反应物、产物、中间体）的能量预测。一个在整体能量上误差很小的模型，可能在分子能量上存在系统性偏差，这会悄无声息地污染你的反应能计算。7net-Omni的多任务设计，通过显式学习不同化学环境的能量偏移，部分缓解了这一问题。

3.2 金属表面催化：从简单吸附到复杂反应

金属表面催化是uMLIP的“高地”。测试涵盖了从简单的*H, *O, *OH, *CO在贵金属上的吸附，到更复杂的ADS41数据集（包含有机分子在多种金属上的物理吸附和化学吸附）。

贵金属吸附测试结果（对应原文图4a-c）：

• 7net-Omni领先：在*H, *O, *OH, *CO等关键吸附物种的吸附能预测上，7net-Omni的MAE达到~0.06 eV，超越了其他所有对比模型。
• 通道选择的重要性：测试发现，使用7net-Omni.mpa（主要基于PBE数据训练的通道）预测基于RPBE泛函的OC20数据时，精度甚至优于使用7net-Omni.oc20（专门用RPBE数据微调的通道）。这看似反常，实则反映了数据量的威力：PBE级别的数据远多于RPBE，使得模型在PBE通道上学到的PES更为稳健，即使跨泛函也有较好的泛化能力。
• 单任务模型的局限：除了eSEN[oam]，其他单任务模型在此测试中表现不佳，再次印证了其在跨域迁移上的困难。

一个重要的“陷阱”：过渡金属氧化物表面的U校正问题这是全文最具警示意义的发现之一。对于Co, Ni等具有部分填充3d轨道的过渡金属与氧共存的体系（如CoO表面），主流的无机材料数据库（如MPtrj, OMat24）为了描述电子强关联效应，在DFT计算中使用了PBE+U方法（Hubbard U校正）。

问题来了：如果uMLIP的大部分训练数据都包含这种+U校正，那么模型学到的势能面就“内置”了U效应。当用它来预测一个本应用标准PBE计算的体系（例如OC20数据库中Co表面的吸附）时，就会得到完全错误的结果。如图4d-e所示，大多数模型在预测O原子在Co(111)表面的吸附时，势能曲线出现严重畸变，导致吸附能预测完全失败。

避坑指南：这是应用uMLIP时必须高度警惕的“数据一致性”问题。在模拟涉及过渡金属（特别是Fe, Co, Ni, Cu）与氧、氮等元素形成的氧化物、氮化物表面时，必须清楚你的训练数据是否包含了+U校正，以及这是否与你试图模拟的真实物理场景（或你希望对比的DFT计算级别）一致。7net-Omni提供了一个matpes通道，其训练数据不含U校正，在这种情况下就成为了更安全的选择。

3.3 迈向更高精度：r2SCAN保真度通道的验证

r2SCAN是一种比PBE更精确的meta-GGA泛函，尤其擅长预测晶格振动、热导率等性质，但计算成本高出数倍。7net-Omni集成了r2SCAN级别的训练数据（如MatPES-r2SCAN）。

测试结果（对应原文表2）：

• 跨域精度：在固体形成能、分子晶体结合能、吸附能、以及Li₆PS₅Cl固态电解质中的原子力预测等多个任务上，7net-Omni.matpes-r2scan通道的表现整体优于或与其他专用r2SCAN模型（如MACE）相当。
• 数据有效迁移：尽管r2SCAN数据量仅占总训练数据的0.8%，但通过多保真度学习框架，模型从海量PBE数据中迁移学习了基本的键合规律，从而用极少的高精度数据就实现了对r2SCAN PES的良好拟合。这为在更多领域应用高精度泛函提供了经济可行的路径。
• 当前局限：在分子晶体结合能预测上，7net-Omni.mpa（PBE通道）反而比r2SCAN通道更准。原因在于r2SCAN训练集中完全缺乏分子数据。这提醒我们，uMLIP的能力严重依赖于其训练数据的覆盖度。没有数据，再好的架构也无能为力。

4. 实操指南：如何在自己的研究中使用与评估7net-Omni

了解了原理和性能，下一步就是付诸实践。以下是如何将7net-Omni集成到你的研究流程中的具体步骤和注意事项。

4.1 模型获取与部署

1. 获取模型：模型参数、DBS数据库和基准测试结果已在Figshare公开（DOI: 10.6084/m9.figshare.30399814）。源代码位于GitHub: MDIL-SNU/SevenNet。
2. 环境配置：推荐使用Conda创建一个独立环境。核心依赖包括PyTorch、ASE（Atomic Simulation Environment）以及SevenNet库本身。如果需要使用FlashTP或cuEquivariance进行GPU加速，需确保CUDA版本兼容。
3. 与模拟软件集成：
   • ASE：最灵活的方式。SevenNet提供了ASE Calculator接口，你可以像调用VASP一样调用它进行单点能量、力、应力计算，以及结构优化、分子动力学等。

   from sevennet import SevenNetCalculator from ase import Atoms # 初始化计算器，选择'mpa'通道 calc = SevenNetCalculator(model_path='7net_omni.pth', channel='mpa') # 创建你的原子体系 atoms = Atoms(...) # 关联计算器 atoms.calc = calc # 获取能量和力 energy = atoms.get_potential_energy() forces = atoms.get_forces()

   • LAMMPS：对于大规模分子动力学，推荐通过ML-IAP包将SevenNet集成到LAMMPS中。你需要编译支持ML-IAP的LAMMPS版本，并在in文件中指定势函数为mliap并指向模型文件。

4.2 通道选择策略：没有最好，只有最合适

7net-Omni提供了多个推理通道，选择哪一个取决于你的体系和研究目标：

选择流程建议：

1. 明确对照标准：你希望模拟的结果与哪种DFT计算级别（PBE, PBE+U, RPBE, r2SCAN）对比？
2. 判断体系类型：主要是无机固体？还是包含有机分子/金属有机框架？是否包含Co, Ni等易用+U校正的过渡金属与O/N的组合？
3. 执行快速验证：如果可能，用你的目标通道和另一个相关通道，对一个已知DFT结果的小型代表性体系（如一个吸附构型、一个分子晶体原胞）进行单点能计算，比较哪个更接近你的DFT参考值。

4.3 系统性验证：不要完全信任，要持续检验

即使选择了“合适”的通道，在开展正式研究前，也必须进行系统性的验证。

1. 能量与力的一致性检验：选取你研究体系中的3-5个代表性构型（如反应物、产物、可能的过渡态猜测），分别用DFT和7net-Omni计算单点能和原子力。计算能量和力的绝对误差（MAE）以及相对趋势（如反应能差值）。
2. 势能面扫描：对于一个关键的反应坐标（如键长拉伸、二面角旋转、吸附质-表面距离），进行PES扫描，对比DFT与MLIP给出的曲线形状、极小点位置、势垒高度。这是检测“PES硬化”等系统性偏差的最直接方法。
3. 分子动力学稳定性测试：在目标温度下运行一段短时间（如10-20 ps）的NVT MD，观察体系总能量是否漂移、键长是否合理、有无非物理结构产生。这检验了模型在有限温度下的稳定性。
4. 性质预测对比：如果你最终关心的是衍生性质（如扩散系数、弹性常数、热导率），用MLIP进行完整模拟并与已有的DFT或实验数据对比。这是最终的“验收测试”。

5. 常见问题与排查技巧实录

在实际使用中，你一定会遇到各种问题。以下是一些典型问题及其解决思路。

5.1 预测结果与DFT差异巨大

• 检查通道是否匹配：这是最常见的原因。确认你使用的通道是否与你的DFT计算设置匹配。特别是检查过渡金属体系是否误用了包含+U校正的通道去模拟标准PBE场景。
• 检查原子类型和坐标：确保你的输入结构文件（POSCAR, xyz等）原子类型符号正确，坐标单位是Å。一个错误的原子序数会导致完全错误的邻居识别和能量预测。
• 检查周期性边界条件：对于表面或分子模拟，确保真空层足够大（通常>10 Å），避免周期性镜像间产生非物理相互作用。7net-Omni的截断半径通常在5-6 Å，真空层需大于两倍截断半径。
• 验证模型加载：尝试用论文中提供的基准测试案例（如Si金刚石晶胞）运行一次，确保模型文件加载正确，能复现大致相同的能量。

5.2 分子动力学模拟崩溃或能量发散

• 时间步长过大：MLIP虽然平滑，但时间步长不宜过大。对于含氢体系，从0.5 fs开始尝试；对于重原子体系，可尝试1 fs。始终监控总能量和温度是否稳定。
• 初始结构不合理：MD初始结构应是一个合理的局部极小点。建议先用MLIP对结构进行充分的弛豫（能量最小化），再用弛豫后的结构开始MD。
• 体系边缘原子“飞走”：在模拟非周期性体系或表面时，边缘原子可能因受力异常而失稳。可以考虑固定底部几层原子，或使用Berendsen等较温和的控温器。

5.3 计算速度慢，无法利用GPU

• 确保使用GPU版本：检查PyTorch是否为CUDA版本，并且calc是否被正确转移到GPU设备上（calc.to('cuda')）。
• 批次处理：在使用ASE进行大量单点计算时（如搜索过渡态、采样构型），可以将多个结构组成列表进行批次预测，这能极大提升GPU利用率。
• 检查邻居列表更新：在MD模拟中，邻居列表的更新频率是性能关键。LAMMPS的ML-IAP接口通常会优化此过程。在ASE中运行MD时，可以适当增加邻居列表的更新间隔（NeighborList的skin参数）。
• 使用优化后的库：如文中所述，使用cuEquivariance后端（Omni-cueq）相比原生PyTorch实现能有数倍加速，尤其对于大体系（>3000原子）。

5.4 如何为我的特定体系改进模型？

7net-Omni是一个通用模型，对于非常特殊的体系（如含有特殊官能团的有机分子、新型二维材料），其精度可能不足。此时可以考虑微调（Fine-tuning）。

1. 准备高质量数据集：用你关心的DFT设置，计算100-1000个代表性构型的能量、力和应力。构型应包括平衡结构、轻微扰动、以及可能涉及的反应路径上的点。
2. 冻结大部分参数：加载7net-Omni的预训练权重，冻结大部分网络层（特别是底层的等变卷积层），只解冻最后的能量输出层和/或你目标通道的偏移参数s。
3. 小学习率训练：使用远小于预训练的学习率（如1e-5到1e-4），在你的小数据集上训练几十到几百个epoch。
4. 严格验证：必须在独立的测试集上验证微调后的模型，确保其没有过拟合到你的训练数据，并且在其他相关性质上仍保持合理预测能力。

最后一点体会：7net-Omni代表了uMLIP发展的一个高峰，它通过多任务架构巧妙地整合了异构数据，在广度、精度和速度之间取得了出色的平衡。然而，它并非万能。它最大的价值在于为你提供了一个极其强大的高起点。你的任务，是理解它的能力边界，掌握验证它的方法，并在必要时引导它（通过微调）更好地为你特定的科学问题服务。将uMLIP当作一个需要被理解和驾驭的“科研伙伴”，而非一个拿来即用的黑箱，才能真正释放其在材料发现中的巨大潜力。