企业官网建设流程全解析

从 2.6 亿到 800 万：Open Catalyst Project 如何重构催化剂机器学习数据集

【免费下载链接】ocpFAIR Chemistry's library of machine learning methods for chemistry项目地址: https://gitcode.com/GitHub_Trending/oc/ocp

Open Catalyst Project（OCP）的 OC20 曾以 2.6 亿条 DFT 计算撑起整个催化 AI 领域。五年后发布的 OC25，计算量却只有近 800 万条。数据量缩水了约 97%，模型能力反而更强——这个催化剂机器学习数据集的演进，靠的不是堆数据，而是重新设计数据。

为什么 DFT 数据集需要重新设计

催化化学的核心问题是预测"什么表面能让反应以多低的能垒发生"。DFT（密度泛函理论）能给出答案，但代价高昂：一个包含上百原子的表面吸附体系，单次能量和力计算就需要数小时。更关键的是，DFT 计算天然覆盖狭窄——研究者只会算自己关心的体系，数据分布高度偏斜。

OC20 在 2020 年解决的就是这个瓶颈。它用自动化工流取代人工选样：从体相材料出发，枚举表面 slab，再枚举吸附质-表面构型，最后批量提交 DFT 计算。这套管线产出了 2.6 亿个 DFT 单点计算，覆盖 82 种吸附质和 12,000 种材料，是当时规模最大的催化数据集。

OC20 的自动化生成管线：体相、表面、吸附构型逐级枚举

但 OC20 的采样逻辑是"穷举几何组合"：同一类表面反复出现，体系规模偏小，环境设定高度理想化——所有表面都暴露在真空中。当模型需要回答"电极在电解液中真实吸附 CO₂ 时发生什么"这类问题时，OC20 的数据帮不上忙。局限不是数据量不够，而是数据没放在该放的地方。

演进的核心逻辑：三个设计维度的转向

从 OC20 到 OC22、OC24，再到 2025 年的 OC25，OCP 的迭代不是简单扩容。把版本时间线摊开看，真正的变化发生在三个设计维度上。

🎯 采样策略：从穷举组合到面向场景

OC20 的哲学是"把能算的都算一遍"。表面、吸附位点、吸附质做笛卡尔积，几何多样性拉满，但很多组合在实际催化中几乎不会出现。

OC25 转向了靶向采样。计算资源集中投向明确的应用场景——电催化中的固-液界面。每个采样环境对应一个具体的溶剂层厚度、一种常用溶剂或离子、一类目标反应。计算量少了一个数量级，但每条数据都落在真实实验会触及的参数区间内。

💧 界面环境：从气-固到固-液

这是 OC25 最核心的差异。OC20 中吸附质直接面对真空表面；OC25 则引入了 150 万个独特的显式溶剂环境，溶剂层厚度和组成各不相同，还包含大量非平衡态采样。

溶剂环境构型在不同能量区间的分布（eV）

对电催化研究而言，这意味着机器学习势函数第一次可以在"有溶剂"的条件下工作。过去模型预测的吸附能是真空值，实验测的是溶液值，两者之间的系统偏差只能靠经验修正。现在训练数据本身就长这样，模型输出可以直接和电化学实验对比。

📊 信息密度：从"多"到"准"

OC25 平均系统规模为 144 个原子，明显大于 OC20 的小体系；元素覆盖从 82 种吸附质扩展到 88 种元素，且包含常用溶剂和离子。单个计算携带的信息量更高：更大的体系捕捉了溶剂对表面吸附行为的完整屏蔽效应，更广的元素分布让模型少遇到"没见过的元素"。

用信息密度衡量，800 万条 OC25 计算并不比 2.6 亿条 OC20 计算"少"。变化的是每条计算对目标任务的边际贡献。

数据如何变成预测能力

数据集的形态最终由消费它的模型定义。OCP 的 UMA（Universal Model for Atoms）是目前最典型的一条路径：UMA-S-1P1 用单一模型统一学习 OMat24、OC20、OMol25、ODAC23、OMC25 等多个数据集，推理时通过任务标签切换不同理论层级的专家参数，用同一个势函数覆盖分子、材料、催化、MOF 等多个领域。

UMA 以统一架构处理分子、晶体、表面等多类体系

这个设计成立的前提是训练数据本身足够正交：五个数据集分别对应不同的元素空间、体系尺度和物理场景，模型才能学会按任务路由参数，而不是被平均掉。数据设计直接决定了模型能力上限——OC25 补上固-液界面后，UMA-1.2 才新增了 OC25 任务分支，让同一个模型能处理显式溶剂环境。

对照实验同样说明问题。在 OC20NEB 反应路径基准上，基于 GNN（图神经网络）的纯机器学习管线（含约 3 亿参数的 Equiformer v2）相比全 DFT 流程实现 2200 倍加速，成功率 70%；混合"ML + 少量 DFT 校正"的策略则把成功率推到 91%，加速仍有 28 倍。数据覆盖什么样的场景，模型就能在什么样场景下可靠外推。

纯 ML、混合与全 DFT 方法在 OC20NEB 上的对比

下一步

• 多尺度扩展：从原子级构型走向介观尺度的催化剂形貌与孔道结构。
• 动力学数据：更多反应路径、过渡态和完整催化循环的描述，而非单点能量。
• 实验-计算闭环：OCx 系列已在将实验结果写回训练集，让预测模型用实测数据自我校准。
• 不确定性量化：为预测附上置信区间，让"模型不确定的区域"直接指导下一步实验设计。

计算数据与实验数据融合驱动的催化剂发现流程

回到开头的问题：为什么 800 万条比 2.6 亿条更有用？因为数据集的设计目标从"把表面化学算全"换成了"把真实催化场景算准"。规模是表象，采样逻辑才是催化剂机器学习数据集演进的真正主线——下一轮竞争，比拼的不会是 DFT 计算条数，而是谁的数据更贴近实验台上的那个反应器。

【免费下载链接】ocpFAIR Chemistry's library of machine learning methods for chemistry项目地址: https://gitcode.com/GitHub_Trending/oc/ocp