QuantumMisaka (量子御坂)

世界第一！国产 DPA4 凭什么吊打国外大原子模型——参数少 10.9 倍，训练快 42.9 倍

QuantumMisaka — Wed, 03 Jun 2026 11:01:08 +0000

做高精度机器学习分子模拟的你，是不是也被训练成本逼疯了？

高精度模型往往带来高参数量和高计算消耗、训练算力动辄几百 GPU-days——

更别说很多高精度模型也就打榜厉害，工程化做得很差，一到实际场景，用起来就磕磕绊绊。

近日，由北京科学智能研究院 OpenLAM 团队等机构的研究者最新放出的 DPA4，直接把这些老规矩掀翻了桌子。

三条关键数据，先帮你快速建立认知：

🔸 准确率世界第一： DPA4-Pro 在 Matbench Discovery 合规榜单上取得 CPS = 0.833，是目前所有合规模型的最高分。

🔸 小参数量打大参数量： 仅 2.76M 参数的 DPA4-Air 就能在精度上超越 30.1M 参数的 eSEN-30M-MP——参数少了 10.9 倍，训练算力仅需对方的 1/42.9。

🔸 开箱即用： DPA4 由 DeePMD-kit (https://github.com/deepmodeling/deepmd-kit\) 原生支持，代码开源在 DeepModeling 科学智能社区 (https://deepmodeling.com/)。星使智算\ AsterFire Go 科学智算平台 (https://sidereus-ai.com/\) 已内置预训练模型和 DeePMD 智能体工具，上传结构即可运行。

DPA4 绝不仅仅是跑分强。它的架构设计思路，值得每一个做机器学习分子模拟的人认真看一看。

图 1：Matbench Discovery 官方截图，DPA4 在综合指标 CPS 位列第一，其中 K_SRME 指标断层式领先。数据截至 2026 年 6 月 1 日。

零、什么是"等变"？为什么它重要？

机器学习势（Machine Learning Interatomic Potentials, MLIPs）在做的事情就是用机器学习的方法拟合高精度（如第一性原理方法）势能面，以构建高精度的力场。这一力场建立三维化学结构到其能量（包括原子能量贡献和分子总能量）以及原子受力等物理属性的映射，是分子模拟中必不可少的基座。

用于分子模拟的这些力场需要满足最基础的物理约束——“不变”（invariant）性和*“保守” (conservative) *性。这两个概念都很好理解：

不变性：分子的能量需要与分子平移、旋转、以及同元素原子置换无关。
保守性：分子中各原子的受力需要直接来自原子势能对坐标的梯度。

一般来说，满足不变性和保守性的模型，其原子受力自然是等变的，物理约束已经足够。但实践证明，引入“等变”性质会使模型精度和数据利用率明显上升。

我们可以先看看上一代 DPA 大原子模型的实现。DPA3 以线图级联的模型架构达到了很高的分辨率，在不变模型上达到了等变模型的高精度。DPA3 是怎么描述一个原子周围的化学环境的？它通过图结构看到距离和角度——邻居有多远（r）、三个原子之间夹角多大（cosθ）。

图 2：DPA3 模型架构，其中 (a) 图和 (b) 图很好地说明了其"线图级联"的模式：将图表示级联起来，一阶图的节点表示体系原子，边表示原子间距离（化学键），这一信息同时被二阶图的节点表达，二阶图的边则表示原子键角。依此类推。

这一不变模型的分子图表示结构很清晰，并自然满足基础的物理约束，但代价是什么？网络内部的所有特征都是标量。比如说，它知道"有个碳原子在 1.5Å 外"，也知道"碳 - 氧-氢之间的夹角是 104°"，但它不知道这个碳到底在左边还是右边、上面还是下面。方向信息在输入阶段就被消掉了。

而"等变"（equivariant）这一概念，则是不变的升级进化版。这里用一个不严谨但好懂的比喻：

不变模型（如上一代 DPA3）： 好比把 3D 分子拍成一张二维照片，然后在照片上做分析。旋转分子，照片上的像素值不变——能量自然旋转不变。代价是：你丧失了"这个原子到底在左边还是右边"的方向信息。
等变模型（如 DPA4）： 好比保留了一个完整的 3D 方向感知场。旋转分子，这个感知场也跟着旋转，但最终提取的能量仍然不变。中间过程保留了方向信息，所以模型表达能力更强，数据效率更高。

从不变到等变的演进，背后暗含了高精度分子表示问题的一个认识趋势：只靠原子间距离来预测能量和力，已经不够了。DPA4 相比 DPA3 的核心变化，就是不让网络在消息传递的中途丢掉方向信息。

实际上，对于简单的体系或者是标量性质预测而言，传统的不变表征空间的预测就是把保留了方向性的等变空间特征通过求范数等操作不可逆地压缩方向性，从而降低计算成本和物理约束，这种方案极大地降低了模型的容量和表达能力，又没有引入其他机制和先验，导致不变模型需要大得多的训练步数和数据量才能达到与等变模型相同的精度。

而近年来的高精度机器学习势模型——NequIP、MACE、eSEN、Equiformer——几乎都在做同一件事：通过等变性，让网络"看到方向"。——不是把方向信息抹掉、只保留距离，而是让每个原子的特征天然携带"哪个方向有什么邻居"的信息。标量和矢量的信息被放进不同的通道分别处理，而不是强行把矢量压扁成标量，或者指望靠堆数据来弥补模型本身的方向感缺失。

等变结构确保了每一层的表示都遵守正确的对称变换规则，这极大增强了模型的平滑性和外推稳定性。实测中，等变模型在势能面的偏远区域（如高能构型）通常给出更合理的力预测，这在动态模拟中至关重要。同时，等变网络可以直接在同一个等变特征空间上挂载不同阶数的输出头，对于矢量性质（如偶极矩），张量性质（如极化率）等高阶物理信息学习和预测自然适配。

等变网络是让深度学习模型更“懂”三维空间的工程实现，它在样本效率、泛化能力和多属性建模上带来了质的飞跃。然而，天下没有免费的午餐。通过等变性保留方向信息是有代价的：张量积耦合的计算量随角动量阶数增长极快。

DPA4 的核心贡献，就是用"边局部坐标系"这个技巧，把保留方向信息的成本大幅降了下来。 理解了这一点，后面的技术细节就好懂了。

一、DPA4 如何用"边局部坐标系"把等变模型变便宜

DPA4（又称 SeZM: Smooth Equivariant Zone-bridging Model）是 DeePMD 团队在等变机器学习势方向上的正式回应。它作为 DeepModeling 社区的最新一代 DPA 大原子模型，在采用球谐等变架构的基础上，并没有照着 MACE/NequIP 的图纸再画一遍，而是选择了一条更适合工程落地的路线。

图 3：DPA4 模型架构图（原论文 Figure 2）。(a) 整体数据流，(b) 共享边缓存与几何注入嵌入（GIE），(c) EMFA SO(2) 卷积——四项核心创新 A1–A4 的所在位置。下文 1.1–1.4 依次拆解。

1.1 最核心的创新：为什么要在"边的方向上"做文章？

这是理解 DPA4 最关键的一节。

问题：等变为什么这么贵？

一般来说，通过等变保留方向信息时，会采用球谐等变的模式。假设每个原子的特征包含 16 个方向系数（对应 l=0,1,2,3 四个角量子数，每个阶有 2l+1 个分量）。如果你要在全局坐标系中让两个带方向的原子互相传消息，你需要把发送原子的 16 个分量和接收原子的 16 个分量两两耦合——这在数学上叫"张量积"，全局 SO(3) Clebsch-Gordan 张量积的计算量随 lmax 呈四次方增长（O(L⁴)），而且要对每条边、每一层都做。更关键的是，这个成本随角动量阶数的增长方式非常陡——阶数每加一档，耦合的组合数不是翻倍，而是平方甚至更高次地增长。

这就是为什么 MACE/NequIP 这类模型虽然精度高，但通常只能停在l=2 或 l=3。它们并非不想用更高阶的方向分辨率来区分 d 轨道和 f 轨道的细微角度差异，只是每加一阶的代价递增太快，无法接受。

DPA4 的做法：把问题从"全局耦合"变成"旋转→局部计算→旋转回"。

DPA4 注意到，两个原子之间传递消息时，唯一真正重要的方向是两个原子连线的方向。垂直于这条连线的方向分量，在消息聚合到目标原子之前都是冗余的自由度。

于是它把每条边上的计算拆成三步：

旋转：把发送原子的"方向感知场"旋转一下，让新坐标系的 z 轴对齐两个原子之间的连线方向。这步只涉及一个固定的旋转矩阵乘法。
局部计算：在新的坐标系里做消息混合。此时 z 轴已经对齐了边方向，绕边轴的旋转变成了一个更容易处理的问题——不同|m| 阶之间天然解耦，不需要昂贵的交叉耦合项。计算量随角动量阶数的增长从"超线性暴增"变成了"温和的二次增长"。
旋转回：把混合后的消息再转回全局坐标系。

第 1 步和第 3 步的旋转矩阵，每条边在整个前向传播中只算一次，然后所有交互层共用。真正反复执行的是第 2 步——而这正是 DPA4 省钱的地方：把昂贵的全局 SO(3) 耦合，搬到每条边的局部坐标系里，变成便宜的 SO(2) 块对角计算。

为什么第 2 步便宜？一个直观的数字对比：

在全局坐标系里耦合方向信息，需要处理任意两个 (l₁,m₁) 和 (l₂,m₂) 之间的相互作用。以 lmax=3 为例，单是枚举所有可能的耦合组合就是一个很大的矩阵乘法，而且这个矩阵的规模随lmax 的增长是四次方级别的。

而在 DPA4 的边局部坐标系里，z 轴对齐之后，不同 |m| 阶之间不再需要互相耦合。权重矩阵变成了块对角结构——|m|=0 是一块，|m|=1 是另一块，各块之间独立计算。不仅计算量降了，而且每一块内部的约束也更简单：|m|>0 的块只需要保持绕 z 轴旋转下的正确性，约束条件是 2×2 的矩阵形式，不需要全局张量积那么复杂的耦合系数。

SO2 最核心的一个优势：lmax 可以开更大。

正因为局部计算不再受全局耦合的 scaling 制约，DPA4 敢于使用比同类等变模型大得多的 lmax。lmax 每大一级，能分辨的角度细节就更丰富一层——直接意味着实际精度的提升。论文中的 DPA4-Pro 使用了更大的 lmax 设置，这是其精度领先的重要原因之一。这种 lmax scaling 的下降可以允许增大 lmax 到 4 甚至 5，大幅度提升模型的容量和表达能力。而同类模型受限于全局耦合的成本，往往只能在 lmax=2 或 3 止步。

1.3 两个独立的控制参数

DPA4 控制方向精细度的参数有两个：l_schedule 控制的是球面上的角分辨率（能区分多细的立体角），mmax 控制的是绕边轴的旋转分辨率（能区分绕键旋转多细的角度变化）。它们各自管不同的事，理解它们的区别，调参时才知道该动哪个。

l_schedule：控制"能看多高的角动量"

在 SO(3) 表示中，原子特征按角量子数 l 组织。l=0 是标量（没有任何方向信息），l=1 能编码矢量方向（3 个分量，类 p 轨道），l=2 能编码张量角分布（5 个分量，类 d 轨道），l=3 能编码八极（7 个分量，类 f 轨道）。每个 l 贡献 2l+1 个系数。

DPA4 不强制所有交互层用相同的 l。靠前的层需要高 l 来捕捉局域几何的细节（键角分布、配位多面体的形状），靠后的层感受野已经覆盖了更大的空间范围，精细角向信息的边际收益递减。l_schedule=[3, 3, 2] 意味着前两层保留完整 l≤3，最后一层降到l≤2——前面精细编码，后面粗粒度汇总，和 CNN 里"浅层高分辨率、深层低分辨率"是一个思路。

mmax：DPA4 独有的"绕键轴分辨率"旋钮

mmax 是边局部坐标系带来的额外自由度。在边对齐的局部坐标系中，方向系数按磁量子数 |m| 分组。DPA4 允许你在局部计算中截断 |m| > mmax 的分量。以 lmax=3 为例：全局 SO(3) 有 16 个系数；转到边局部坐标按 |m| 分组后，|m|=0 有 4 个，|m|=1 有 6 个，|m|=2 有 4 个，|m|=3 有 2 个；mmax=1时只保留前 10 个，省掉 6 个——减少了约三分之一的局部计算量。

关键是，这些被截断的分量并不是被丢弃了。在旋转回全局坐标系时，通过 rescale 因子补偿了这些分量的统计贡献，只是不做显式的逐分量耦合。丢失的交叉信息可以通过增加网络层数来间接恢复——深层传播让被截断的角向信息通过多层积累得到近似的表达。

在 DPA4 当前的预训练模型中，mmax 均设为 1。对于大多数应用场景，保持默认值即可获得良好的精度 - 效率平衡。

1.4 为什么训练能快几个数量级？

DPA4 通过编译优化实现最高约 3 倍的单步训练加速（论文对照实验数据）。但实际体验中，因为模型本身参数更少且收敛更快，端到端达到同等精度所需的总训练时间可以缩短一个数量级以上。只是"开了 torch.compile"可达不到这个效果。加速来自多个层面的叠加，每一层解决的是不同性质的问题。

第一层：消除 Python 的调度开销

PyTorch 默认的执行方式叫 eager 模式——每写一行操作，Python 就向 GPU 发起一次调用。GPU 做一次矩阵乘法可能只要几十微秒，但 Python 发起调用→等结果→返回的调度开销本身就有好几微秒。当成千上万次小操作串联起来，调度开销累积到占了总时间的 60-80%，GPU 大部分时间在等 Python 派活。

DPA4 用 torch.fx 的符号追踪把从坐标输入到能量和力输出的整个前向过程记录为一张完整的计算图，然后交给 torch.compile（Inductor 编译器）生成一个独立的 GPU 程序。训练时 Python 只触发一次，GPU 在里面把所有事情做完才返回。几千次 kernel 调度缩减为几十次，Python 不再是瓶颈。

第二层：让二阶导数也能进编译图

这是最难的一步，也是 DPA4 编译管线最精妙的一步：把嵌套自动微分"展开"成扁平计算图，让力损失训练也能被编译器完整优化。

力损失训练需要计算∂²E/(∂x ∂θ)：能量 E 先对坐标 x 求导得到力 F，力 F 再对模型参数 θ 求导。两层嵌套的自动微分。标准 `torch.compile` 的流程是：AOT Autograd 先编译前向图，然后自动生成反向图用于 loss.backward()。但力是通过 autograd.grad(E, x, create_graph=True) 在前向图内部计算的——AOT Autograd 发现图里还嵌着另一个 autograd 调用，就直接拒绝编译，回退到 eager 模式。这就是为什么大多数等变模型虽然也宣称"用了 compile"，但力损失训练环节实际上还是 Python 一步步调度的原因。

DPA4 的解法：在编译之前，先用 make_fx 把内层 autograd.grad 展开。autograd.grad 本质上就是链式法则——把能量对各层输出的偏导一层层乘回去。make_fx 把这个展开过程记录成一张普通的、不包含 nested autograd 调用的 FX 图。展开之后，编译器看到的就是一个扁平的计算图，可以正常走完 AOT Autograd → Inductor → 生成 GPU 程序的完整流程。二阶导数变成了编译器的自然 backward pass。

这个设计让力损失训练——MLIP 最核心、最昂贵的训练模式——也能享受全编译。没有这一步，前一层的努力只在推理阶段有效，训练时该慢还是慢。

第三层：对最频繁的操作写底层 GPU 代码

编译能消除调度开销和融合相邻操作，但不知道某些特定计算模式有更高效的硬件实现。DPA4 对最耗时的操作——Wigner-D 旋转、边几何信息计算——用 Triton 直接写了定制 GPU kernel。

以 Wigner-D 旋转为例：不同 lmax 下旋转矩阵的大小和稀疏模式完全不同。DPA4 根据 lmax 走不同内核路径——l≤1 时矩阵极小，直接常驻 GPU 寄存器；l=2 走专用展开；l=3 走寄存器分块；l>3 走通用循环分块。而 eager 模式只能用 torch.bmm 一把梭，无法感知矩阵尺寸做针对性优化。

另一个例子是边几何计算：eager 模式下坐标差→距离→截断包络→径向基函数需要 6 个独立 kernel，每个 kernel 把中间结果写回显存、下一个再读出来。DPA4 用一个 Triton kernel 完成全部 6 步，中间结果留在寄存器里。

第四层：几何信息全网复用

每条边的方向矢量、旋转矩阵、径向基函数、截断包络——完全由原子坐标和截断半径决定，与网络权重无关。DPA4 在每次前向开始时只算一次，所有交互层共用。不需要每层重新算一遍。

四个层面的叠加方式如何？

四个层面不是"各加速一块然后加起来"。消除调度开销省下最大一块（第一层），展开二阶导数让加速覆盖力损失训练而不只是推理（第二层），定制 kernel 在编译后的图上进一步压榨硬件（第三层），几何缓存让前面所有层都少了一个重复步骤（第四层）。每一层在前一层基础上放大收益——这就是最终加速能达到"一个数量级以上"的原因。

1.5 MACE vs DPA4：两条技术路线的分叉口

要理解 DPA4 的选择，最好的参照物是 MACE——当前最广泛使用的等变势架构之一。两者目标相同（SE(3) 等变消息传递），但实现路径截然不同。

维度	MACE 路线	DPA4 路线
等变计算核心	全局 SO(3) 不可约表示 + Clebsch-Gordan 张量积	边局部 SO(2) 等变卷积（EMFA）
主要成本来源	高阶角动量下的 CG 耦合（O(L⁴)）	边局部块对角矩阵乘（O(L²)）
lmax 扩展性	受 CG 成本制约，通常停在 l=2 或 l=3	SO(2) 解耦后敢于使用更高 lmax
边信息利用	主要以不变标量通道引入径向信息	边等变特征直接参与 SO(2) 乘积（低秩 edge-node product）
聚合机制	张量积消息 + 可学习加权线性组合	envelope-gated attention（自适应邻居加权）
何时更适合	已适配 MACE Torch 生态、训练成本不敏感、重视轻量级自定义开发	已适配 DeePMD 生态，追求更低训练成本/更小模型、重视工程可部署性

两者的源码对比也很说明问题。MACE 的核心操作：Linear → TensorProduct（通过 instructions 显式指定哪些 l₁,l₂ 耦合到 l₃，内部用 CG 系数计算，O(L⁴) 级别）→ 径向 MLP 生成张量积权重 → SymmetricContraction 做多体展开。依赖 e3nn 的 o3.Irreps 管理不可约表示的直和。

DPA4 的核心操作：_build_so2_weight() 直接构建块对角矩阵 W = diag[W_m0, B_m1, B_m2, ...]。W_m0 无约束，B_m 是 2×2 的[W_u^T, -W_v^T; W_v^T, W_u^T] 块——复数乘法的实矩阵形式，天然保证 SO(2) 等变性。不需要 CG 系数，不需要 instructions，权重矩阵结构本身就携带了等变约束。

两者的径向调制思路相似（都用径向函数生成混合权重），但 DPA4 多了旋转到边局部坐标系这一步——就这一步，把后面的混合从 O(L⁴) 的 CG 张量积变成了 O(L²) 的块对角 matmul。

为什么 MACE 做不到 mmax 截断？ MACE 在全局坐标系里用 Clebsch-Gordan 系数直接耦合不可约表示。CG 耦合的数学定义要求参与耦合的每个 l 的完整 2l+1 个 m 分量都出现，截断任意一个 m 都会破坏耦合的完备性，导致等变性不严格。DPA4 因为把混合操作搬到了边局部坐标系，|m| 组之间天然解耦，截断才变得安全。

DPA4 源码开头的设计声明也很说明问题（见sezm.py）：

"two non-negotiables: 1) Conservative forces. 2) Speed-first inference — edge geometry and Wigner-D computed exactly once per forward and reused by all blocks."

保守性和推理效率——两条不可妥协的原则需要得兼。边局部 SO(2)、几何缓存、块对角权重，都是这两条的产物。

总的来说，MACE 更像是"数学上很强很直接的表达"，DPA4 更像是"把强表达工程化，把训练成本压下来"——两者不是谁替代谁，而是面向不同的工程约束。

1.6 总结

DPA4 的意义不只是 DeePMD 系列模型多了一个新选项。它意味着 DeePMD 社区正式把架构重心从"如何消去方向信息"转向了"如何便宜地保留方向信息"。它选择了在每条边的局部坐标系里做简化计算——这条路和任何已有的等变模型都不一样，而且它是当前唯一能在 DeePMD 生态用上等变架构、同时保持工程可部署性的方案。

对于已经用 DeePMD-kit 做模拟的朋友来说，DPA4 非常值得一试。它可能是在"更好的方向感知"和"可以接受的成本"之间，你现在能找到的最务实的选择。接下来，我们来看看怎么零成本上手使用。

二、开箱即用：AsterFire Go 上的 DeePMD 智能体工具

随着 DPA4 的初期发布，我们发现很多用户对于适配 DPA4 环境执行训练和计算模拟的过程中，无论是在环境配置上还是在模型使用上都遇到了许多困难，这显著阻碍了 DPA4 这一"世界第一""国产之光"的推广普及和实际应用。

因此，星使智算 AsterFire Go 科学智算平台（https://sidereus-ai.com/）基于已有\ MACE 智能体工具，快速适配上线了机器学习势函数模块的 DPA4 适配，做成了如下图所示的一系列 DeePMD 相关工具，其中内置了目前官方提供的 DPA4 预训练模型，它们支持执行各类材料/分子的计算任务。后续我们也将进一步支持 DPA4 的训练和微调，帮助研究者高效构建针对特定问题的高精度 DPA4 模型。

这些平台工具支持以 DeePMD 模型为基座，开箱即用地完成一系列分子模拟任务。这些任务也可以通过平台“工作流”模式，基于自然语言或是鼠标交互，灵活拼装为复杂链路或是并发计算的工作流。

2.1 结构优化和 MD 模拟

结构优化：支持 cell-relax 和 relax 功能，并可视化弛豫过程和能量/力/晶格体积变化

分子动力学模拟 (MD)：支持 NVT/NPT，退火 MD 和 MSD/RDF 后处理，可用于预训练模型的数据采样等

2.2 声子谱和热导率求解

声子谱功能，基于 Phonopy，支持 Seekpath 自动识别路径的声子谱和 DOS/PDOS 计算，以及对群速度和热力学的可视化。

热导率求解：基于 Phono3py 的 RTA+BTE 和色散分析 (包括散射速率和声子寿命)

可视化热导率分量随温度的变化并导出相关数据，分析累计热导率曲线和热导率各向异性

准谐近似热力学 QHA 功能，对体积自由能面做 EOS 拟合，得到给定压力下的 G(T,P)、平衡体积 V(T,P)、热膨胀系数、定压热容 Cp、体弹模量与 Gruneisen 参数

2.3 力学性质

包括但不限于弹性常数/状态方程/势能面扫描等任务：

双原子分子 (dimer) 势能面扫描，用于诊断 MLIP 模型的物理合理性和平滑性，基于输入的 C,H,O 等字符串即可自动排列组合

弹性常数以及 EOS 计算，可计算对应矩阵和体弹性模量/杨氏模量/剪切模量/泊松比等，并支持 Voigt/Reuss/Hill 等多种算法平行对比

2.4 界面性质

包括但不限于表面能计算/异质结构建/表面吸附模拟

表面能： 通过枚举暴露终端和单配位 O 的补 H 钝化进行筛选和基于 Miller index 自动排列组合，可以指定某个 hkl Miller Index 筛选全部暴露终端，计算表面能，也可以基于一个 max value(比如 2) 自动枚举最大指数不超过 2 的全部晶面和对应的暴露终端

异质结构建：支持上传两个 3D bulk 结构，指定接触的 Miller index 基于 ZSL 算法自动构建异质结，通过计算粘附功/界面能和面内应力/失配率进行全面的结构筛选，并支持超晶格和真空异质结两类模型，可灵活根据限制参数和预算自动生成异质结。

表面吸附：支持上传 slab 吸附基底和吸附质分子 (或者纳米颗粒团簇) 的通用无偏吸附构型采样，即可以自动全面的采样各类代表性吸附构型进行筛选优化

2.5 反应路径

支持通过不同方案开展反应路径搜索和过渡态计算。

支持*双端 NEB/CI-NEB *搜索过渡态，以及 *单端 PRFO (sella) *优化一阶鞍点，其中 NEB 支持双阶段 NEB+CI-NEB，线性/IDPP 插值和自动序号对齐；

支持频率分析功能计算热力学 (ZPE,S,Cv,G_correction) 和虚频，可以指定元素类型/原子序号做约束频率计算，并支持 Sella IRC 验证鞍点合理性以及获取平滑最低能量路径

支持*锥形约束拟牛顿法 (CCQN) *等新型过渡态优化算法，支持上传初末态结构开展双端 CCQN 计算，以及输入反应相关化学键，执行意图驱动的单端 CCQN。通过化学意图构造的锥形引导爬坡机制，可显著降低对化学直觉和 TS 初猜准确性要求。可基于 local minimum 出发搜索分子筛中的 Cl-CH3 转移过渡态，并进行虚频分析和 Fake-IRC 验证 (最速下降)

2.6 支持模型：

这些工具目前支持 DPA4-MPTrj-Neo、DPA4-MPTrj-Air、DPA3.1-MPTrj-FT，以及用户自行上传的 Torch 后端 DeePMD 模型。如果 DeepModeling 社区有新的预训练模型发布，我们也会跟进。

三、结语：把"世界第一"变成你今天就能用的工具

如果只把 DPA4 当成一次榜单胜利，那它的价值确实会被低估。

它更像一个信号：等变势的下一阶段，不是简单地"更准"，而是"更准的同时更便宜、更可部署"。 2.76M 参数的小模型 DPA4-Air 能在精度上超越 30.1M 参数的竞品，训练算力仅需对方的 1/42.9——这组数字背后的实质是：高精度机器学习势正在从"只有大团队烧得起"变成"个人研究者也能训练和部署"。

DPA4 的边局部 SO(2) 路线、编译友好的 torch.compile 加速训练、以及国产科学智算平台开箱即用，这三个要素叠加在一起，构成了当前 DeePMD 生态中一个非常务实的选项。

DPA4 不是在做一个更好的 MACE，它是在说：等变势的高成本时代结束了。

2.76M 参数打赢 30.1M，不是奇迹，是工程——是 SO(2) 局部计算、是全图编译、是几何缓存的乘法叠加。

开箱即用，即刻体验：https://sidereus-ai.com/\** —— 上传结构，选择模型，一键运行。**

你更想看我们后续补充哪一块内容？

DPA4 在具体材料体系上的实战案例对比
DPA4 的微调和再训练完整教程
还是"DPA4 vs MACE：同一个体系跑到底"的实战对比？

欢迎私聊本公众号，或者在星使智算论坛 https://forum.sidereus-ai.com/\ 发帖告诉我们。谢谢大家！

参考文献：

[1] Li, T.; Li, W.; Peng, A.; Xue, J.; Zhang, L.; Zhang, D.; Wang, H. DPA4: Pushing the Accuracy-Cost Frontier of Interatomic Potentials with EMFA SO(2) Convolution. arXiv:2606.02419. https://doi.org/10.48550/arXiv.2606.02419\

[2] Zeng, J.; et al. DeePMD-Kit v3: A Multiple-Backend Framework for Machine Learning Potentials. J. Chem. Theory Comput. 2025, 21 (9), 4375–4385. https://doi.org/10.1021/acs.jctc.5c00340\

[3] Zhang, D.; et al. A Graph Neural Network for the Era of Large Atomistic Models. npj Comput Mater 2026. https://doi.org/10.1038/s41524-026-02146-2.

[4] Hermes, E. D.; et al. Sella, an Open-Source Automation-Friendly Molecular Saddle Point Optimizer. J. Chem. Theory Comput. 2022, 18 (11), 6974–6988. https://doi.org/10.1021/acs.jctc.2c00395\

[5] Wu, Y.; Wang, H. Cone-Shaped Constrained Quasi-Newton Method: Efficient and Robust Single-Ended Transition State Optimization Algorithm. J. Chem. Theory Comput. 2025, acs.jctc.5c01015. https://doi.org/10.1021/acs.jctc.5c01015\

ABACUS Agent 1.1.6 | 2025 星海漫游之旅

QuantumMisaka — Sat, 03 Jan 2026 05:39:34 +0000

扉页

各位 GaliLeo 平台的新老用户们，各位科研一线的研究者和爱好者们，2026 元旦快乐！

GaliLeo 平台的 ABACUS Agent 建设已经有半年多了。回望来路，百感交集。最初入局为的只是“一个共产主义的事业”，不觉间竟猛然发现在做的事情竟然已经在时代浪潮的风口。

更新良多，有段时间没给大家汇报近况，趁此佳节，说道说道。

初心

古早的人类，在漫长的进化史中，以直立行走解放双手，以制造和使用工具扩展自身极限，进而开启了人类的文明。

1610 年，伽利略用望远镜观察天空，记录真实的星象。从此，千年的地心宇宙观被动摇，人类开始认识真实的星海。

如今，我们用理论计算模拟原子，描绘微观的世界；用 AI 智能体驱动计算引擎，为了更为广阔的认识世界的征程。

就材料、表界面等周期性问题而言，我们以国产开源的原子算筹 (ABACUS)为中心，走向这段智能计算赋能科研的旅途。

原子算筹有来自中国科大、北京大学、中科院物理所、北京科学智能研究院和合肥综合性国家科学中心人工智能研究院的自主原创力量，有来自开源社区和用户群体的智慧，还有广大小伙伴们的支持。我们坚信，原子算筹一定能越来越好。我们更希望，这场智算科研的星海旅途，属于所有的开发者和所有的社区小伙伴。

这场漫游，未完待续。我们，永远在路上。

航程

点击”阅读原文“，可以快速进入智算平台。点击左侧栏 AI，映入眼帘的是琳琅满目的智能体百宝箱

它们各自处理广阔的科学计算星海的一隅，而我们要聚焦的是原子算筹。在搜索框搜索'ABACUS'或者'第一性原理’，即可快速抵达。

通过”详情“，我们可以一窥原子算筹软件和原子算筹智能体的介绍，以及各个版本更新的概览。

点击”使用“，可以进入正式的交互窗口。

除了智能体的自我介绍之外，稍加下拉一下，能看到海量的可一键使用和快速预览的案例

这里的每一个案例都是实际跑通的功能点，都可以通过“查看示例”看到案例制作时人与 AI 的交互历程，也都可以通过”快速使用“将交互提示词加载到聊天框，快速开启从电子结构出发的材料计算模拟大航海。

其中有一个最新的案例是”氧化钴表面 SCF 计算“。这个案例看起来平平无奇，只是个通过 SCF(自洽场) 迭代完成单个物质结构的电子结构计算过程。但正确完成这个计算其实难度很高。

一方面，表面结构的计算相比传统三维体相更为困难；另一方面，氧化钴属于反铁磁性材料，需要正确设置初始磁矩和电子步迭代参数。并且，这里模拟的是 Co3O4 的 (311) 晶面，而不是常见的 (110) 等晶面。其表面原子分布相对不规则，进一步加剧了计算难度。

事实上，这个案例来自于中山大学某课题组的实际计算模拟案例，该团队研究者多次尝试采用业内常用的的 V 某商业软件进行计算，在经过反复的参数调整之后，SCF 计算依然不收敛。

然而，基于本智能体的智能参数设置，加上原子算筹软件本身的稳健算法，这一计算可以被快速地完成，且相关的 SCF 计算能直接收敛。在计算过程中，智能体还会主动与研究者交互，分析可行性，规划任务列表，并逐步执行、美观展示、确保每一步模拟清晰可控。

这里提出需求的过程看起来需要专业知识，其实不用——这些参数大多都内置在了智能体的知识中。只是给他更清晰的需求有助于更好地完成任务。在执行任务的过程中，AI 还会主动分析结构特点，将结构特点和建议参数展示给用户，这也让它不仅只是任务执行者的角色，同时还是类似于“师兄”这类帮助你入门的角色。

对于上述的氧化钴表面计算任务，在提出需求之后，基本上只要一直继续，就可以完成整个计算任务。研究者可以随时根据自己的需求询问 AI 相关内容。如果出现报错，AI 也会把报错信息或者联系方式展示给研究者，以供研究者和智能体共同进步。

这里直接展示计算完毕之后，AI 给出的任务总结：

用户当然可以进一步提取计算结果信息。比如，AI 智能体会把一些关键的文件拿到前台。我们点击上面"abacus.log"文件的'眼睛'图标查看，即可查看计算日志。

也可以切换到文件模式，进一步查看各个任务的计算文件及其细节，当然了，这些计算结果文件既可以下载，也可以转存到云盘，供下一个任务使用。

随着团队的持续开发迭代，这些界面显示可能会发生一定的变化，我们会争取让界面呈现越来越好，也更欢迎大家对平台页面和智能体的可完成功能进行持续的探索！

航向

科研的基础设施，远没有完全完善，更不一定到了拉条电线就能连成电网的程度。

就科学计算而言，无论是计算硬件、计算软件、模拟算法；还是用户体验，社区讨论，教程体系，都还没到可称之为完善的程度。

Agentic Research 的飞轮，远没到完全体，还需要自我迭代，这需要各个方面的研究者共同协力。

聚焦科学计算垂类，精细化智能体协议，沉淀已有知识，积累计算案例，以智能化牵手开发团队和场景应用，以智能体联动开发团队和用户社区，让开发者快速定位痛点迭代，让用户及时体验新方法新工具，与开源社区共同成长，共同前行。

这或许，才是当前科学智能体，最能看到的现在。

至于未来，犹未可知。

但这场星海漫游之旅，最重要的是实事求是，求真务实。

其次，是未来在前方，创新和落地永远在路上。

谢谢大家！

ABACUS Agent 1.0.4 更新啦！一键启动材料计算旅程！

QuantumMisaka — Wed, 01 Oct 2025 10:47:50 +0000

1. 从开天辟地说起

七月，GaliLeo 平台的 ABACUS Agent 堂堂上线，当时的 Agent 只具备最基础的骨架，只能做最基础的 SCF 和结构优化计算，但到了七月中旬，它已经能基于这些组件完成一个表面结构优化的计算了，到了八月中旬，则是更能打通表面分子吸附能的全流程计算。这几个月里，开发团队一边想尽办法告诉大家我们做了个什么样的玩意，一边思索着如何优化我们的这个玩意，让各位社区用户和开发人员都有更好的 AI Agent for Science 体验。

如今，我能骄傲地告诉大家，ABACUS Agent 迎来了最新的一个稳定版本：1.0.4。虽然我们好像没对前三个版本做过介绍，但从这个版本开始，每逢一个比较稳定的版本号，都会通过推送文章的形式告诉大家。

如果还有不了解什么是 ABACUS（原子算筹），第一性原理计算和我们的 ABACUS Agent 的朋友，欢迎大家去看上一篇 ABACUS Agent 教学贴！

同时，本 ABACUS Agent 的开发离不开 ABACUS（原子算筹）开发团队大家庭，尤其是 ABACUS 智能体工具ABACUS-agent-tools开发团队的支持和帮助。本智能体在 ABACUS 计算部分的工具直接来自 ABACUS-agent-tools，并做了一些关键的调优。

2. 版本更新日志

1.0.1 版本：加入了基于 ASE 的简单结构建模，添加了基础知识库，完善了基础文档
1.0.2 版本：加入并完善了能带计算和态密度（DOS）计算功能，在后端对 ABACUS-agent-tools 的调用模式进行了规范化，并完善了工具分级
1.0.3 版本：初步上线了一些案例，并完善了可能需要的针对 ABACUS 计算的弹性资源调度
1.0.4 版本：对齐后端 ABACUS-agent-tools v.0.2.1 版本，支持声子谱计算，振动频率计算，EOS 计算，弹性常数计算，基于 cube 电荷文件的电子结构可视化（包括 ELF，自旋密度，电荷密度差），以及 Bader 电荷分析。将这些功能迭代至基本稳定，并对每个功能出了一个案例。同时完善了建模工具，上线了基于 Materials Project 数据库的结构搜索和结构下载功能。是 ABACUS Agent 的第一个稳定版本。

3. 一键启动材料计算！

熟悉平台的小伙伴应该能快速找到我们的 ABACUS Agent。大家可以边点进去，边在心中默念：

原子算筹，启动！

点进去的瞬间各位就能发现新世界。迎面而来的依然是 Agent 的自我介绍。

我们的 Agent 变得更会介绍自己了，也渴望着大家在提出需求的时候能描述得更为清晰，明确，流程化。当然，它还不忘提醒你，在启动原子算筹的时候，你需要自豪地告诉大家，咱们做计算用的就是这样一款国产开源的周期性电子结构计算软件。当然了，做好引用也是保证良好开源科研生态的一环。

可能此时刚点进来，还没正式启动的小伙伴心里会犯嘀咕，我该怎么开始我的第一个基于 ABACUS Agent 的计算任务呢？别担心，往下拉，你会看到大量的案例。这里每个案例都不仅代表着 ABACUS Agent 能完成的一个基础功能或计算任务，也代表着材料体系计算的学生和从业者在使用理论计算方法时的实际需求。需要注意的是，目前的前台案例库里足足有 16 个案例哦！

感谢前端大佬们的努力，现在，点击“查看示例”，你就能直接在侧边栏看到这个案例曾经的模样。而点击“立即使用”，相关案例的输入则会被立即调入到你的聊天框中。比如，我们点开第一个“铝原胞的能带和态密度计算”：

相关的提示词输入立马就钻进了你的聊天框，按下回车，一键发送，直接开始你的原子算筹材料计算之旅！

稍等片刻，输出结果堂堂到达！如果对它一切满意，让他只管继续就好！如果有新的想法和需求，直接跟他说！

4. 前面的区域，随时可以探索！

各位小伙伴们或许注意到了，这十六个案例各具特色。比如我们点开“铁原胞的能带和态密度计算”

可以发现

这个案例给你提供了一个输入文件
这个案例的提示词里有一些针对这个计算任务相当具体的参数设置要求。

这些要求与 ABACUS 本身的计算设置，乃至第一性原理计算内本身的一些技巧有关，你可以通过阅读ABACUS 文档或者ABACUS 中文用户手册了解。那么有的小伙伴就会说了，我要是会自己看技术文档，我还来用你的智能体干啥呢？

自然的，其实我们的智能体也内置了包含这些文档的知识库。比如，当大家启动上述铁的计算案例，并让 Agent 完成了初步的计算输入准备工作后，能看到它给你总结的任务列表：

这个时候，假设你不理解提示词里面smearing_method和smearing_sigma的含义，你可以在这里打住，先询问它这些参数的含义。智能体收到你的问题之后，就会搜索知识库，根据里面的知识进行回答。

当然了，目前它的回答还是比较简略的，比友商某些知识库产品滔滔不绝的提取总结输出能力还是差一些，这也是我们在努力的方向。问题问完，让它继续做任务，它也能自然而然地回到主线任务上来：

目前，涉及到 ABACUS 本身的计算都会投到 GPU 节点，通过 GPU 异构化的第一性原理计算完成。小伙伴们可以通过最上面分栏按钮的“文件”，找到对应的计算目录（可能因为名字太长不太好找），就可以查看 ABACUS 计算时的标准输出日志 abacus.log 文件了。比如对于该任务，小伙伴们可以从日志文件中看出来计算在 4090 的显卡上进行。当然 CPU 也是在跑的，只是型号没有显示。CPU 型号的显示的优化已经在开发版本中的 ABACUS 里实现了，让我们期待相关特性早日合并到稳定版分支！

在等待这个任务计算完成的时候，小伙伴们可以点击左下方的“新建对话”，即可开始其他任务，或是探索其他智能体，或是继续探索 ABACUS 智能体的其他案例。总之，前面的区域，随时可以探索！

5. 愿此行，终抵群星

本帖介绍了星使智算旗下GaliLeo平台部署的 ABACUS Agent 1.0.4 版本，包括该版本的更新情况，支持的计算功能，上线的 16 个案例以及其中两个案例的简单使用。目前，我们正努力支持更多的材料计算模拟功能，尤其是涉及到表面催化中需要的吸附位点确定，反应过渡态计算，反应路径确定等功能痛点。平台的工程师也在努力给大家一个比较好看的结构可视化界面，让大家有更好的体验。

欢迎大家多多在自己的问题上应用 ABACUS Agent，你们的需求和反馈就是我们最大的动力！谢谢大家！

ABACUS Agent 教学帖 | 快速开始第一性原理计算

QuantumMisaka — Mon, 21 Jul 2025 08:59:12 +0000

1. 引子 | 材料体系模拟的第一性原理计算

在材料科学、凝聚态物理和计算化学等领域，电子结构模拟和相关的计算软件起着至关重要的作用。按照目标物质是否存在周期性特征，我们可以将从原子尺度的电子结构出发模拟物质体系的计算方法分为两大类，一类是针对分子、团簇体系的量子化学（Quantum Chemistry）方法，另一类是针对晶体、表面、界面、纳米材料等周期性体系的第一性原理（First-principle）方法。这两类方法最终都会落实到特定的以密度泛函理论（DFT）或者波函数理论（如 Hartree-Fock 以及 post-HF）为基础的计算方法上，并且都能在化学，材料等领域实现理论和实验的协同。其中，第一性原理方法能在周期性晶体结构确定和声子谱计算、晶体能带和电子结构性质计算、表面催化位点确定和催化过程电子结构变化情况分析、材料弹性常数和杨氏模量计算等方面，从理论层面定性甚至定量地对实验观测做出预测和解释，正推动材料研究从经验探索走向理性设计的新阶段。

开展这些第一性原理计算需要依托相关的第一性原理计算软件，这些软件在将理论方法转化为可执行的计算流程的同时，各具风格，各有特色，日新月异，持续迭代。其中许多出名的软件逐渐成为了基于第一性原理的多种模拟方法集成平台和围绕这一软件的计算模拟社区，一方面为理论研究者提供了强大的开发平台和研究工具，另一方面也为实验研究者提供了便捷可靠的理实结合视角。

然而，这些第一性原理软件都具备一定的安装和使用门槛，往往会让许多刚入行的小白用户摸不着头脑。与此同时，各个第一性原理软件往往又具备不同的输入参数和输出格式，这也阻碍了理论和实验研究者对不同软件的调研和尝试。随着人工智能和高性能计算领域的快速革新，许多曾经难以使用的软件都被推动着向智能化、用户友好化方向快速发展，量子化学软件和第一性原理软件也不例外。在这一背景下，星使智算 GaliLeo 平台引入大语言模型和增强信息检索技术，开发了面向计算化学等理论计算领域的专业 Agent。这些智能助手不仅简化了复杂软件的操作流程，更通过自然语言交互显著降低了使用门槛，代表着理论计算工具向智能化转型的重要突破。

本文将介绍GaliLeo平台的 ABACUS Agent 的基本使用方法。首先，我们需要介绍 ABACUS 是什么，ABACUS（中文名：原子算筹）是一款国产开源的以 DFT 计算为主的第一性原理软件，由中国科学技术大学何力新教授、中科院物理研究所任新国研究员和北京大学陈默涵研究员主导开发，拥有完全自主知识产权。其主要开发人员来自中国科学技术大学、中国科学院物理研究所、北京大学、北京科学智能研究院和合肥综合性国家科学中心人工智能研究院等单位。ABACUS 专注于凝聚态材料的模拟计算，其可通过求解 Kohn-Sham 方程来获得材料基态的电荷密度分布，进而计算目标材料的各项物理性质。该软件包支持利用平面波基组或数值原子轨道基组开展计算，支持 LDA、GGA、meta-GGA 和杂化泛函，且能通过 RI 方法显著加速杂化泛函计算。过去一年，ABACUS 持续迭代升级，先后推出 3.8、3.9 版本及首个长期支持版本 3.10-LTS，伴随系列小版本更新，其稳定性与计算效率实现显著跃升。目前，围绕 ABACUS 软件已经形成了一个完整的材料性质计算平台，涵盖了声、光、电、磁等多种物理性质的计算。更重要的是，平台新增多个核心模块，不仅拓展了对 GPU、DCU 等新型硬件的适配能力，更引入了多种前沿电子结构算法，为材料计算提供了更多的方法论支撑。

2. 简介 | 使用 Agent 前的准备

平台介绍：星使智算旗下 GaliLeo 平台上
注册地址：GaliLeo
所需信息：晶体结构信息的 CIF 或 POSCAR 文件，当然对于简单的结构也可以直接通过自然语言构建
使用方式：通过自然语言交互，例如执行结构优化

3. 示例 | 使用 ABACUS 对 Pd 晶胞进行结构优化计算

这里提供一个简单的案例，让各位用户能快速上手基于 ABACUS 的第一性原理计算。

第一步：登录 GaliLeo 平台并使用 ABACUS Agent
第二步：可以先告诉 Agent 你要做什么计算。比如这里我们输入：执行结构优化任务。Agent 会帮你明确做这一任务的所需的执行步骤

第三步：明确结构信息，准备输入文件，开始计算任务。这一步可以通过两个方法完成（a）在交互界面处上传已有的结构文件，并告诉 Agent 基于这一文件进行计算。如

此时 Agent 会自动基于上传的结构文件，配置一套默认计算参数并开始计算。如果不想让智能体直接开始计算任务，你也可以只让它准备计算所需输入文件。

（b）对于 Pd 晶胞这种简单的单质晶胞，我们可以直接通过自然语言，让智能体自己构建，并基于构建好的晶胞准备输入文件，开始计算。同时，我们也可以通过自然语言交互，编辑计算输入文件。

第四步：收集计算结果。用户可以让 Agent 收集计算结果，并对用户感兴趣的问题进行总结报告。比如，我们往往希望总结一下结构优化后的结构和结构优化前的结构有多大区别，这时候我们就可以把这个问题抛给智能体

由于我们这里做的是结构优化任务（而非晶格优化任务，在周期性体系中，晶格优化和结构优化是分开的两个任务），同时 Pd 晶胞的模型是由智能体自主构建的，其本身已经相对合理。因而结构优化计算实际上一步就收敛了，优化前和优化后的结构并没有区别。智能体通过收集计算结果，发现并告知了我们这一点。

用户也可以去“文件”交互界面手动读取和下载文件。理论上来说这里还可以对 CIF 晶胞进行可视化，相关功能正在开发完善中，敬请期待。

4. 示例 | 测试 ABACUS 对 Cu(111) 表面吸附 CO 结构的计算效率

这里再提供一个案例，进一步帮助用户快速测试不同情况下 ABACUS 的计算结果和计算效率。在 ABACUS 中，由于其格点积分的进程级并行是在晶胞 Z 轴方向进行的，在开展一维材料计算时，最好把一维延展方向放在 Z 轴方向，而在开展表面体系计算时，最好让真空层方向避开 Z 轴方向。下面我们将通过和 Agent 的交互确认这件事情。

第一步：登录 GaliLeo 平台并使用 ABACUS Agent
第二步：准备 Cu(111) 表面吸附 CO 的结构。这一表面结构和分子结构都比较简单，其吸附结构的建模可以直接在 Agent 中通过自然语言完成。并且，“将真空层从 Z 轴方向挪到其他方向”这个建模操作也可以通过智能体完成。在这里，我们先构建了 Cu 晶体结构，再去构建表面吸附结构，这两步实际上也可以一次完成。

第三步：根据这些结构分别准备输入文件，并进行 ABACUS 计算。这里采用默认的单点计算（即scf）来比较计算效率

分别开展计算，计算完毕和收集计算结果后，可通过自然语言让 Agent 整理测试情况。以下直接给出整理后的结果：

真空层朝向	系统总能量 (eV)	计算总时间 (s)	总电子步数	单电子步用时 (s)
X	-318603.9704461048	1432.47	39	35.77 ~ 47.09
Y	-318603.9704469827	1421.25	39	35.37 ~ 46.94
Z	-318603.9704470374	4725.36	39	120.24 ~ 131.01

可以看到，将真空层方向放在 X 轴或 Y 轴方向时，计算效率将得到显著提升。这类测试以往都需要第一性原理计算熟手在服务器上做测试，现在大家都可以基于 Agent 完成这些测试，这能显著加速 ABACUS 的入门，这也是智能体平台的一大意义。

5. 总结

本文使用星使智算旗下GaliLeo平台部署的 ABACUS Agent 执行了晶体/表面吸附模型构建，开展了电子结构单点计算和结构优化任务，并完成了一个计算效率测试。目前的 ABACUS Agent 只是 1.0.0 版本，已能完成简单建模和基础计算操作。后续将进一步支持原子电荷计算，结构能带计算，过渡态与声子谱计算等一系列功能，欢迎大家关注并尝试 ABACUS Agent，你们的支持与反馈是我们前进的重要动力！