面向大原子模型时代的图神经网络
计算物理
2026-01-26 v3
摘要
基础模型，或称大原子模型 (LAMs)，旨在普遍表示由密度泛函理论 (DFT) 定义的原子系统的基态势能面 (PES)。标度律对于大模型的发展至关重要，表明其在下游任务中的泛化能力随着模型规模的增大、训练数据集的扩展和计算预算的增加而持续提升。在本研究中，我们提出了 DPA3，这是一种基于线图序列 (LiGS) 的多层图神经网络，专为 LAMs 时代而设计。我们证明了 DPA3 模型的泛化误差遵循标度律。通过在 DPA3 中堆叠更多层来实现模型参数数量的可扩展性。此外，该模型采用了一种数据集编码机制，在其多任务训练框架中将训练数据规模的扩展与模型规模解耦。当作为面向问题的势能模型进行训练时，DPA3 模型在大多数基准测试案例中展现出卓越的准确性，涵盖了具有多种特征的系统，包括分子、体相材料、表面与团簇催化剂、二维材料和电池材料。当在 OpenLAM-v1 数据集上作为 LAM 训练时，DPA-3.1-3M 模型在跨越多个不同研究领域的 12 项下游任务中表现出最低的整体零样本泛化误差。这一性能表明其作为开箱即用的势能模型具有卓越的准确性，在下游科学应用中仅需最少的微调数据。
引用
@article{arxiv.2506.01686,
title = {A Graph Neural Network for the Era of Large Atomistic Models},
author = {Duo Zhang and Anyang Peng and Chun Cai and Wentao Li and Yuanchang Zhou and Jinzhe Zeng and Mingyu Guo and Chengqian Zhang and Bowen Li and Hong Jiang and Tong Zhu and Weile Jia and Linfeng Zhang and Han Wang},
journal= {arXiv preprint arXiv:2506.01686},
year = {2026}
}