UMA：原子通用模型家族
机器学习
2026-03-05 v2
摘要
快速准确计算从原子模拟中提取性质的能力对于推动化学和材料科学中的诸多应用至关重要,包括药物发现、能源储存和半导体制造。为此,Met FAIR 提出了一套面向原子的通用模型(UMA),旨在推动速度、精度和泛化能力的前沿。UMA模型在半十亿个独特的3D原子结构上训练(目前为止最大的训练规模),通过整合多个化学领域的数据,如分子、材料和催化剂。我们开发了经验尺度律以帮助理解如何在数据规模增长的同时增加模型容量以获得最佳精度。UMA small 和 medium 模型采用一种我们称为线性专家混合的 novel 架构设计,可在不牺牲速度的前提下增加模型容量。例如,UMA-medium 有14亿参数但仅约5000万激活参数每个原子结构。我们在多个领域中对UMA模型进行评估,发现惊人的是,单个模型无需任何微调即可在与专门模型相似或更好的程度上表现良好。我们正在发布UMA代码、权重和相关数据以加速计算工作流程并使社区能够继续构建越来越有能力的AI模型。
引用
@article{arxiv.2506.23971,
title = {UMA: A Family of Universal Models for Atoms},
author = {Brandon M. Wood and Misko Dzamba and Xiang Fu and Meng Gao and Muhammed Shuaibi and Luis Barroso-Luque and Kareem Abdelmaqsoud and Vahe Gharakhanyan and John R. Kitchin and Daniel S. Levine and Kyle Michel and Anuroop Sriram and Taco Cohen and Abhishek Das and Ammar Rizvi and Sushree Jagriti Sahoo and Zachary W. Ulissi and C. Lawrence Zitnick},
journal= {arXiv preprint arXiv:2506.23971},
year = {2026}
}
备注
33 pages, 8 figures