Aitomistic动态：通用势函数OMNI-P1上线，支持多理论级统一预测

本周我们为大家带来一项发表于《JCTC》的最新研究成果——一种可同时基于不同理论级别数据进行训练的通用神经网络势函数OMNI-P1。

核心概念：一体化学习策略

当您需要整合不同理论级别（如DFT和耦合簇）的计算数据时，传统方法往往面临挑战。

我们的“一体化学习”策略为此提供了创新解决方案，支持同时使用多级别理论数据进行联合训练，单个模型即可实现不同理论精度的预测目标，有效避免传统迁移学习的多阶段训练复杂度。

技术亮点：超越传统方案

与传统的迁移学习相比，一体化学习展现出显著优势。该策略支持在DFT（wB97X-D4/def2-TZVPP）和耦合簇（CCSD(T)/CBS）级别间灵活切换，单次训练即可获得统一模型，无需分阶段训练，且默认以高精度CCSD(T)/CBS级别为预测目标。

实战应用：几何结构优化

以下示例展示如何使用OMNI-P1进行几何优化计算。通过几行简单代码即可完成从分子结构初始化到优化结果输出的全过程，具体操作如下：

initmol = ml.molecule.from_xyz_file('init.xyz')

omnip1 = ml.methods(method='omnip1', level='cc')

geomopt = ml.optimize_geometry(model=omnip1, initial_molecule=initmol)

final_mol = geomopt.optimized_molecule

print('Optimized coordinates:')

print(final_mol.get_xyz_string())

final_mol.write_file_with_xyz_coordinates(filename='final.xyz')

OMNI-P1模型已集成至开源软件MLatom，用户可通过Aitomistic Hub在线平台直接运行。当前版本支持C、H、N、O元素体系的计算，为相关领域的研究提供了便利工具。

欢迎随时向我们反馈使用体验，帮助我们持续改进产品！