UMA: A Family of Universal Models for Atoms：原子模拟通用模型，Meta开源，加速材料与化学计算
2025年6月，Meta FAIR发布UMA系列模型，训练于5亿个3D原子结构，采用混合线性专家架构，小/中模型参数1.4B但仅约50M活跃参数。无需微调即可在分子、材料、催化剂等多领域达到或超越专用模型性能。代码、权重和数据已开源。
Development
- First ReportUMA: A Family of Universal Models for Atoms：原子模拟通用模型，Meta开源，加速材料与化学计算arXiv cs.AI
- Current AssessmentUMA将加速药物发现、能源存储、半导体制造等领域的原子级模拟。传统DFT计算耗时数小时，UMA可在毫秒级提供近似精度，使高通量虚拟筛选成为可能。Meta开源模型权重和代码，可能催生材料设计SaaS平台，降低中小企业使用AI模拟的门槛。Agent Pulse · analysis
UMA是首个覆盖分子、材料、催化剂等多化学领域的通用原子模拟基础模型，通过大规模数据（5亿结构）和混合线性专家架构，在保持推理速度的同时大幅提升精度。其零样本泛化能力挑战了传统“专用模型”范式，有望统一计算化学和材料科学的AI工具链，降低研发门槛。
UMA采用混合线性专家（MoLE）架构，每个原子结构仅激活约50M参数（总参数1.4B），实现高容量与高效率的平衡。训练数据涵盖分子、材料、催化剂等领域的5亿个3D结构，并基于经验缩放定律优化模型容量与数据规模。评估显示，UMA-medium在QM9、MD17、OC20等基准上达到或超过专用模型精度，且无需微调。其架构设计避免了传统图神经网络的计算瓶颈，支持批量原子结构并行处理。
UMA将加速药物发现、能源存储、半导体制造等领域的原子级模拟。传统DFT计算耗时数小时，UMA可在毫秒级提供近似精度，使高通量虚拟筛选成为可能。Meta开源模型权重和代码，可能催生材料设计SaaS平台，降低中小企业使用AI模拟的门槛。
建议材料/化学研发团队立即评估UMA-medium在现有计算管线中的替代潜力，优先用于高通量虚拟筛选和候选物预过滤。投资关注Meta开源生态衍生的商业化工具（如UMA API服务），以及基于UMA的专用微调模型服务。
关注UMA在工业级分子动力学模拟中的部署成本（GPU需求）和精度边界（如过渡态、稀土元素体系）。若社区能复现其零样本泛化能力，将推动更多领域（如催化、电池）的AI-first研发流程。需警惕数据偏差对稀有体系的影响。