文献深度解读：迎接大原子模型时代——基于线图序列的图神经网络 DPA3
文献深度解读：迎接大原子模型时代——基于线图序列的图神经网络 DPA3 文献信息： 标题： A Graph Neural Network for the Era of Large Atomistic Models 作者： Duo Zhang, Anyang Peng, Chun Cai, …, Linfeng Zhang, Han Wang (AI for Science Institute, DP Technology, 北京大学等) 预印本： arXiv:2506.01686v2 核心贡献： 提出了 DPA3 架构，基于线图序列（Line Graph Series, LiGS）设计。该模型严格遵循 Scaling Law（缩放定律），通过引入“数据集编码（Dataset Encoding）”解决了多精度数据集混合训练的难题，在 LAMBench 等多个基准测试中展现出 SOTA 的零样本（Zero-shot）泛化能力。 1. 引言：从“专用力场”到“大原子模型 (LAMs)” 在过去十年中，机器学习原子间势函数（MLIPs）极大地加速了分子动力学模拟。然而，传统的 MLIPs 往往是“专模专用”的——研究一个新系统，就需要重新生成 DFT（密度泛函理论）数据并重新训练模型。 随着数据量的爆发，领域内的目标正在发生转移：能否像 ChatGPT 一样，训练一个“大原子模型（Large Atomistic Models, LAMs）”？ 这样一个基础模型应该能够开箱即用地处理各种原子系统，或者只需极少量数据微调即可。 要实现 LAM，面临三大挑战： Scaling Law（缩放定律）： 模型架构必须能够随着参数量、数据量和算力的增加，稳定地提升泛化能力。 数据兼容性： 现有的开源数据集（如 Materials Project, SPICE, OC20）使用了不同的 DFT 泛函（如 PBE, B3LYP, \(\omega\)B97M）。如何把这些“标准不一”的数据放在一起训练？ 物理约束： 模型必须是平滑的、保守的（能量守恒），并且满足平移、旋转和置换不变性。 DPA3 的诞生，正是为了系统性地解决这三大挑战。 ...