MLatom 3.25：在你自己的数据上微调通用机器学习势

MLatom 3.25 发布了，为它「动物园」里的众多通用机器学习势——AIQM、OMNI-P、ANI——带来了极其高效的微调：你用自己的参考计算训练其中一个，让它重现你实际工作的理论水平，同时保留它原有的物理和整体行为。

在 3.25 里，整个模型家族——ANI 系列、AIQM1、AIQM2、AIQM3、UAIQM、OMNI-P1 以及激发态的 OMNI-P2x——都通过同一个 train() 调用完成微调，色散项也只需声明一次、两边一起处理。下面说说它用在什么场景、代价多大、怎么跑。

1. 用在什么场景

通用势的设计目标是在整个化学空间里都能用。但对你手上这个具体体系，它可能就是不够好。

常见的两条路都很贵：要么所有计算都用你的参考方法跑，要么从零训练一个自己的势。微调是第三条路：你给它一小批在你体系上的参考计算，它把你本来就信任的模型调整到与之吻合。

2. 六行代码

无论从哪个势出发，都是同一个调用。微调通过 Python API 完成：

import mlatom as ml

data  = ml.data.molecular_database.load('CH3NO2_100.json')
model = ml.models.methods(method='AIQM2')
model.train(molecular_database=data, property_to_learn='energy',
            dispersion_kwargs={'method': 'd4', 'functional': 'wb97x'},
            file_to_save_model='my_tl_model/')

model = ml.models.aiqm2.load('my_tl_model/')

你需要提供带能量的几何结构，有力的话也可以一起给，参考水平由你自己决定。

像 AIQM2 这样的势是若干部分之和：一个快速的量子化学基线、一个显式的 D4 色散项，再加上一个神经网络。微调只训练其中的神经网络，因此 MLatom 会先把基线和色散项从你的参考能量里扣掉——网络只学习这个差值——预测时再加回去。这就是 dispersion_kwargs 这一行的作用。

色散之所以仍然用公式而不是交给网络去学，是因为神经网络只能看到一个原子约 5 Å 以内的近邻，而范德华吸引作用的范围比这更远。

微调得到的结果像其他模型一样保存和加载，可以直接拿去做几何优化、过渡态搜索、频率与热化学，或者分子动力学。

3. 代价有多大

微调教程里的示例，是把 AIQM2 微调到能重现乙醇上的 B3LYP/6-31G*。这个目标只是一个玩具级的参照——选它是因为算得快，而不是因为它比 AIQM2 更准。这个示例说明的是：微调能把模型贴近你想要的水平到什么程度。

原始 AIQM2 与该目标相差 1.37 kcal/mol（相对于平衡结构的能量）。用 35 个训练构型可以缩小到 0.67，而在这个数据量下，一次微调只要十几到三十秒——跑在一台 2019 年的台式机上，显卡是连 tensor core 都没有的 GTX 1660 SUPER。

与目标的差距随训练构型数的变化。每个规模都重复了六次，阴影是六次里的最小值到最大值——因为在 5 个构型这种数据量下，跑一次并不能算作一次测量，此时的波动和不同规模之间的差距一样大。

乙醇只是一个小分子，更大、更柔性的体系需要的构型会多于 35 个。但「需求本来就不大」这一点是普遍成立的：AIQM2 的神经网络是叠加在物理基线之上的一个修正项，微调会冻结其中大部分，只调整最后几层。你学的是一个小的修正，而不是一个势——这也正是它能在如此普通的硬件上跑完的原因。没有 GPU 的话，同样的拟合大约要慢两个数量级；而使用微调好的势完全不需要 GPU，15 个构型的预测一秒就返回了。

所以，如果通用势对你的体系「差一点意思」，补救办法就是几个参考计算加一杯咖啡的时间。

4. 各个模型在哪里

ANI 系列、AIQM1、AIQM2、OMNI-P1 和 OMNI-P2x 都在开源的 MLatom 里，模型权重在首次使用时自动下载。AIQM3 以编译好的插件形式发布，即 PyPI 上的 aitomic-addons，对学术和非商业用途免费，商业用途需单独授权。UAIQM 目前在 Aitomistic Hub 上运行。它们都通过同一个 train() 调用微调，各自带上自己需要的参数。

python3 -m pip install --upgrade mlatom

那份教程附带 Jupyter notebook 和数据集，可以直接跑通。

不想安装任何东西？MLatom 也可以在浏览器里运行——通过 Aitomistic Hub，由 Protomia 驱动：一个能根据自然语言请求完成整套模拟的 AI 助手。面向所有人提供免费试用，包括商业用途。

5. MLatom 里还有什么

方法 —— 通用机器学习势（ANI、AIMNet2）与 AI 增强的量子化学方法（UAIQM、AIQM1、AIQM2、AIQM3）；并通过接口支持 PySCF、Gaussian、ORCA、xtb、MNDO、Turbomole、DFTB+、Sparrow、Columbus 中的 DFT、半经验和波函数方法。
机器学习模型 —— 训练你自己的机器学习势（KREG、GAP-SOAP、ANI、MACE 等），支持主动学习、Δ-学习、迁移学习、自校正，以及通用势的微调。
模拟 —— 几何优化、过渡态搜索、IRC、频率与热化学、分子动力学与非绝热动力学、红外/拉曼/紫外-可见光谱，以及周期性边界条件。

引用

使用微调功能时，请引用：

Seyedeh Fatemeh Alavi, Yuxinxin Chen, Yi-Fan Hou, Fuchun Ge, Peikun Zheng, Pavlo O. Dral. ANI-1ccx-gelu Universal Interatomic Potential and Its Fine-Tuning: Toward Accurate and Efficient Anharmonic Vibrational Frequencies. J. Phys. Chem. Lett. 2025, 16, 483–493. DOI: 10.1021/acs.jpclett.4c03031