MACE-Osaka26：覆盖97种元素的通用机器学习原子间势能模型

MACE-Osaka26是大阪大学团队开发的开源机器学习原子间势能（MLIP）套件，作为MACE-Osaka24的升级版，核心亮点是支持97种元素（含稀土、锕系元素），基于MACE架构与总能量对齐技术，兼具DFT级精度与高效计算能力，可解决传统材料模拟的计算瓶颈，为能源材料设计、复杂化合物研究等领域提供通用工具。

传统密度泛函理论（DFT）精度高但计算成本昂贵，难以处理大规模体系或长时间动力学模拟。机器学习原子间势能（MLIP）通过学习DFT数据，实现高效且近第一性原理精度的模拟，但早期MLIP模型局限于特定元素或材料类型，缺乏通用性。

MACE-Osaka26基于MACE（等变消息传递神经网络）架构，严格保持平移、旋转、置换不变性等物理对称性。核心创新为总能量对齐技术，可整合多源数据、消除系统偏差、提升跨域迁移能力，实现多类型材料的稳健预测。

MACE-Osaka26的关键突破包括：

1. 覆盖97种元素，含稀土及锕系元素（如铀、钚）；
2. 引入HE26重元素训练数据集，增强复杂化合物描述能力；
3. 与MACE-Osaka24对比，元素覆盖从以轻元素为主扩展至97种，锕系支持更完整，适用领域扩展到核材料、稀土材料等战略领域。

模型适用于多种场景：

• 晶体材料：预测金属、半导体、氧化物等的晶格常数、弹性模量等；
• 分子体系：研究孤立分子、气相反应及界面过程（如催化、吸附）；
• 能源材料：核燃料辐射损伤模拟、电池材料离子输运、稀土催化剂设计等。

MACE-Osaka26提供预训练模型，典型工作流程为加载模型→准备输入结构→运行模拟→分析结果。硬件要求：Windows10+、8GB+内存、500MB+空间、64位处理器。支持用户用私有数据微调或从头训练自定义模型。

MACE-Osaka26打破传统MLIP的应用边界，降低材料研究门槛，加速候选材料筛选与实验指导，助力探索核材料等复杂体系。未来将在材料基因组计划、AI驱动材料设计等前沿领域发挥重要作用。