MatterTune：用于微调原子级基础模型以加速材料模拟与发现的集成、用户友好平台
材料科学
2025-04-16 v1 人工智能
机器学习
摘要
如图神经网络等几何机器学习模型近年来在化学和材料科学研究的高通量虚拟筛选和原子级模拟等应用中取得了显著成功。这些模型的成功归因于它们能够直接从训练数据中有效学习原子结构的潜在表示。相反，这也导致这些模型对数据的需求很高，阻碍了它们在数据稀疏问题上的应用，而这类问题在该领域很常见。为解决这一局限性，预训练机器学习模型领域取得了越来越多的发展，这些模型在原子级数据中学习到了通用、基本的几何关系，随后可针对小得多的特定应用数据集进行微调。特别是，在多样化的大规模原子级数据集上预训练的模型展现出了对下游应用令人印象深刻的泛化能力和灵活性，并越来越多地被称为原子级基础模型。为发挥这些基础模型的未开发潜力，我们引入了 MatterTune，这是一个模块化且可扩展的框架，提供了先进的微调能力，并将原子级基础模型无缝集成到下游材料信息学和模拟工作流中，从而降低了采用门槛并促进了材料科学中的多样化应用。在当前状态下，MatterTune 支持多种最先进的基础模型，如 ORB、MatterSim、JMP 和 EquformerV2，并拥有广泛的功能，包括模块化和灵活的设计、分布式和可定制的微调、对下游信息学任务的广泛支持等。
引用
@article{arxiv.2504.10655,
title = {MatterTune: An Integrated, User-Friendly Platform for Fine-Tuning Atomistic Foundation Models to Accelerate Materials Simulation and Discovery},
author = {Lingyu Kong and Nima Shoghi and Guoxiang Hu and Pan Li and Victor Fung},
journal= {arXiv preprint arXiv:2504.10655},
year = {2025}
}