# MACE-Osaka26：覆盖97种元素的通用机器学习原子间势能模型

> MACE-Osaka26是一套基于机器学习原子间势能（MLIP）的跨领域材料模拟工具，支持97种元素包括稀土和锕系元素，为能源材料设计和复杂化合物研究提供高精度预测能力。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-05-13T10:56:38.000Z
- 最近活动: 2026-05-13T10:59:28.365Z
- 热度: 150.9
- 关键词: 机器学习, 原子间势能, 材料模拟, MACE, 密度泛函理论, 锕系元素, 能源材料, 计算材料学
- 页面链接: https://www.zingnex.cn/forum/thread/mace-osaka26-97
- Canonical: https://www.zingnex.cn/forum/thread/mace-osaka26-97
- Markdown 来源: ingested_event

---

## 背景：材料模拟的计算瓶颈

在材料科学和凝聚态物理研究中，原子级模拟是理解材料性质、预测新物质行为的核心手段。传统方法如密度泛函理论（DFT）虽然精度高，但计算成本极其昂贵，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（Machine Learning Interatomic Potentials, MLIP）应运而生，它通过从DFT数据中学习，构建出计算效率比DFT高数个数量级、同时保持近第一性原理精度的势能模型。然而，早期MLIP模型往往局限于特定元素或材料类型，缺乏真正的通用性。

## MACE-Osaka26项目概述

MACE-Osaka26是由大阪大学研究团队开发的开源MLIP模型套件，是MACE-Osaka24的重大升级版。该项目旨在提供一套真正通用的机器学习原子间势能，能够跨越不同材料领域进行高精度模拟。

### 核心数据覆盖能力

MACE-Osaka26最显著的突破在于其数据覆盖范围：

- **97种元素支持**：涵盖周期表中绝大多数化学元素
- **重元素扩展**：特别包含稀土元素和锕系元素（如铀、钚等）
- **HE26数据集**：专门收录的重元素训练数据，显著提升了模型对复杂化合物的描述能力

这一扩展使MACE-Osaka26能够处理传统MLIP难以胜任的材料体系，包括核燃料材料、稀土功能材料等战略关键材料。

## 技术基础：MACE架构与总能量对齐

MACE-Osaka26建立在MACE（Message Passing Neural Networks for Atomic Simulations）架构之上，这是一种基于等变消息传递的神经网络框架。

### 总能量对齐技术（Total Energy Alignment）

MACE-Osaka24和Osaka26采用的关键创新是总能量对齐技术。这项技术通过协调不同类型数据的能量参考点，实现了：

- **多源数据融合**：能够整合来自不同实验条件和计算方法的数据
- **精度提升**：消除系统偏差，提高预测准确性
- **跨域迁移**：使模型在未见过的材料类型上也能保持稳健表现

### 等变性与物理对称性

MACE架构严格保持物理对称性，包括平移、旋转和置换不变性。这意味着模型自动满足物理守恒定律，无需额外约束即可生成物理上合理的预测。

## 应用场景与领域

MACE-Osaka26的设计目标是为多种材料研究场景提供统一工具：

### 晶体材料模拟

从金属到半导体，从氧化物到复杂矿物，模型能够准确预测晶格常数、弹性模量、缺陷形成能等关键性质。对于合金体系和固溶体，模型可以处理多元素复杂相互作用。

### 分子体系建模

除了周期性体系，MACE-Osaka26同样适用于孤立分子和气相反应。这使得研究者能够在统一框架下研究表面催化、分子吸附等界面过程。

### 能源材料开发

特别值得关注的是模型在能源材料领域的应用潜力：

- **核能材料**：锕系元素支持使模型可用于核燃料和反应堆材料的辐射损伤模拟
- **电池材料**：可研究锂离子电池电极材料、固态电解质中的离子输运
- **催化材料**：稀土元素覆盖为高效催化剂设计提供新可能

## 使用方式与系统要求

MACE-Osaka26提供预训练模型，用户无需从头训练即可开展模拟：

### 硬件要求

- **操作系统**：Windows 10或更高版本
- **内存**：建议8GB以上
- **存储空间**：至少500MB可用空间
- **处理器**：64位现代处理器

### 典型工作流程

1. **加载预训练模型**：选择适合目标体系的模型文件
2. **准备输入结构**：提供初始原子坐标和晶胞参数
3. **运行模拟**：执行结构优化、分子动力学或性质计算
4. **分析结果**：导出能量、力、应力等物理量

对于需要自定义模型的用户，项目还提供训练脚本，支持使用私有数据微调或从头训练新模型。

## 与MACE-Osaka24的对比

| 特性 | MACE-Osaka24 | MACE-Osaka26 |
|------|--------------|--------------|
| 元素覆盖 | 轻元素为主 | 97种元素含重元素 |
| 锕系支持 | 有限 | 完整（HE26数据集） |
| 适用领域 | 常规材料 | 核材料、稀土材料 |
| 数据融合 | 总能量对齐 | 继承并扩展 |

## 意义与展望

MACE-Osaka26代表了MLIP领域向真正通用化迈出的重要一步。通过将元素覆盖范围扩展到97种，特别是包含重元素和锕系元素，该项目打破了传统MLIP的应用边界。

对于材料科学研究者而言，这意味着：

- **降低研究门槛**：无需昂贵的DFT计算即可获得可靠的原子级模拟
- **加速材料发现**：快速筛选候选材料，指导实验合成
- **探索新领域**：进入此前难以计算模拟的复杂材料体系

随着机器学习方法和计算资源的持续发展，类似MACE-Osaka26这样的通用势能模型将在材料基因组计划、人工智能驱动材料设计等前沿领域发挥越来越重要的作用。