Optimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials：跨域通用原子间势能模型SevenNet-Omni
2025年10月提交。提出跨域迁移训练策略，结合选择性正则化和域桥接集（DBS），在15个开放数据库（涵盖分子、晶体、表面）上训练通用机器学习原子间势能模型SevenNet-Omni。在金属表面吸附能误差低于0.06 eV，金属有机框架上低于0.1 eV。仅含0.5% r²SCAN数据即可复现高保真r²SCAN能量学。
Development
- First ReportOptimizing Cross-Domain Transfer for Universal Machine Learning Interatomic Potentials：跨域通用原子间势能模型SevenNet-OmniarXiv cs.AI
- Current Assessment该成果对材料科学和化学工业有直接价值：通用MLIP可加速催化剂设计、电池材料开发、药物分子筛选等。相比传统DFT计算，MLIP速度提升数个数量级，且SevenNet-Omni的跨域能力减少了针对每个体系重新训练的需求。开源模型将推动学术界和工业界采用。Agent Pulse · analysis
该论文解决了机器学习原子间势能（MLIP）跨域泛化难题，通过域桥接集和正则化实现从PBE到r²SCAN等不同计算协议的有效迁移。SevenNet-Omni在多个材料科学基准上达到最先进精度，为高通量材料筛选和催化设计提供了可靠工具。其训练策略可推广至其他科学领域。
方法包括：(1) 域桥接集（DBS）：从不同数据集选取少量结构，对齐势能面，使模型学习跨域一致性；(2) 选择性正则化：对通用参数和任务特定参数分别施加不同强度正则化，防止过拟合。消融实验显示，仅0.1%的DBS比例即可显著提升跨域泛化。模型架构基于等变图神经网络（如NequIP），在15个数据库上训练，涵盖分子、晶体、表面、MOF等。评估指标包括吸附能、晶格常数、弹性常数等。关键边界：模型在极端非平衡态或稀有元素体系上的表现尚待验证。
该成果对材料科学和化学工业有直接价值：通用MLIP可加速催化剂设计、电池材料开发、药物分子筛选等。相比传统DFT计算，MLIP速度提升数个数量级，且SevenNet-Omni的跨域能力减少了针对每个体系重新训练的需求。开源模型将推动学术界和工业界采用。
建议材料模拟软件公司（如Materials Studio、VASP）将SevenNet-Omni集成到工作流中，提供一键式跨域模拟。对于化工和制药企业，可用该模型进行高通量虚拟筛选，降低实验成本。投资机构应关注基于MLIP的材料计算初创公司。
需验证模型在更多元素组合和复杂反应路径上的准确性，以及是否可扩展至包含更多物理场（如电场、磁场）的势能。若能与自动机器学习框架结合，可能实现材料发现的完全自动化。此外，模型在商业软件中的集成也是重要方向。