FAIRChem OMat24 无机材料数据集全解析：结构与标签、子数据集、ASE 读取与能量校正实践

FAIRChem OMat24 无机材料数据集全解析：结构与标签、子数据集、ASE 读取与能量校正实践

【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

导读

OMat24（Open Materials 2024）是 FAIR Chemistry 面向无机块体材料发布的 DFT 数据集，收录超过 100 万条由扰动（rattled）结构与 AIMD 轨迹构成的结构-能量-受力-应力样本，并以其与 Matbench-Discovery 基准完全兼容的划分而著称，是 FAIRChem 系列机器学习原子间势（MLIP）在无机材料方向上的核心训练与评测数据。本文以 docs/inorganic_materials/datasets/summary.md 与其主文档 docs/inorganic_materials/datasets/omat24.md 为主体骨架，结合 src/fairchem/data/omat 源码、matbench-discovery 评测配置 与 形成能教程，带你掌握 OMat24 的数据构成、下载组织、ASE 读取方式、OMat24 专属 DFT 能量校正原理，以及如何用它评测 MLIP 模型。

OMat24 数据集总览

根据 docs/inorganic_materials/datasets/summary.md 的定位，OMat24 是 FAIRChem 文档中无机材料数据集的唯一主数据集："Over 1 million structures from rattled and AIMD calculations for inorganic materials, fully compatible with Matbench-Discovery"。其关键属性在 docs/inorganic_materials/datasets/omat24.md 中汇总如下：

数据内容上，OMat24 同时包含非平衡结构的单点计算与结构弛豫两类样本：来自扰动结构（rattled）的非平衡构型用于让模型学习远离平衡位置时的势能面形态，而 AIMD 轨迹与弛豫结构则覆盖平衡附近的构型空间。所有标签统一为总能、受力与应力，格式为 ASE DB 兼容的 LMDB 文件，可直接被 FAIRChem 数据管线消费。

与 Matbench-Discovery 的兼容性约定

OMat24 训练/验证划分与 Matbench-Discovery 基准测试集完全兼容，这是该数据集最受关注的特性。官方文档明确了两条保证：

1. 划分中不含任何其初始或弛豫结构带有 WBM 数据集 protostructure 标签的结构；
2. 划分中不包含任何从 Alexandria 弛豫结构出发生成、且初始或弛豫结构带 WBM protostructure 标签的结构。

换言之，OMat24 在构造时就系统性地排除了与 WBM（Wren/Bartel/Matthew）测试集重叠的构型，避免模型在评测时出现训练/测试泄漏。这一点在仓库的基准配置中得到印证：评测脚本直接以 WBM 的 IS2RE 数据与 Matbench-Discovery 官方汇总文件作为输入（见下文"基准评测"一节）。

子数据集构成：扰动结构与 AIMD 轨迹

OMat24 由若干**按生成方式划分的子数据集（subdatasets）**组成，文档列出了 8 类：

1. rattled-1000-subsampled 与 rattled-1000
2. rattled-500-subsampled 与 rattled-300
3. rattled-300-subsampled 与 rattled-500
4. aimd-from-PBE-1000-npt
5. aimd-from-PBE-1000-nvt
6. aimd-from-PBE-3000-npt
7. aimd-from-PBE-3000-nvt
8. rattled-relax

文档特别说明：每个 rattled- 成对子数据集（如 rattled-1000 与 rattled-1000-subsampled）都采用与论文描述完全相同的生成流程，区别仅在于采样/规模（subsampled 版本按能量间隔等准则抽稀），因此在训练时可以按需取舍而不会引入流程不一致。

仓库源码进一步揭示了这些子数据集的 DFT 生成参数。在 src/fairchem/data/omat/vasp/sets.py 中：

• OMat24StaticSet：静态单点计算的 VASP 输入集，POTCAR 默认使用 PBE_54 版本；
• OMat24RelaxSet：弛豫输入集，在静态基础上追加IBRION=2、NSW=99、ISIF=3（即同时弛豫原子位置与晶胞）；
• OMat24AIMDSet：AIMD 输入集，默认start_temperature=1000、end_temperature=1000、ensemble="nvt"、thermostat="nose"、time_step=2.0 fs、steps=100；若选择npt系综则强制使用 langevin 热浴（MDALGO=3）并可通过PSTRESS设置压力（单位 kB）。这解释了 AIMD 子数据集命名中"1000/3000"对应起始温度、"-npt/-nvt"对应系综的含义。

文件组织与下载清单

训练集划分

各子数据集以独立的.tar.gz归档发布，解压后即为.aselmdb格式的 LMDB 文件。每个子数据集可独立下载、独立使用，也可按需组合。

验证集划分（1M 子集）

验证集是用于训练 eqV2 等模型时从 5M 验证划分中抽出的 1M 子集，按相同子数据集结构组织：

注意：原始验证集存在重复结构问题，官方已于 2024-12-20 上传修正版验证集，文档明确提示用户重新下载修正版本后再用于训练/评测。

sAlex 微调数据集

除主训练/验证集外，OMat24 还配套提供sAlex数据集，用于 OMat 模型的微调。sAlex 是对 Alexandria 数据库的抽稀版本，其构造规则为：剔除与 WBM 匹配的结构，并且仅沿轨迹按能量差大于 10 meV/atom的标准采样。其规模为：

用 AseDBDataset 读取 ASE Atoms 对象

OMat24 文件以AseLMDBDatabase形式组织，它是 ASE Database 接口在 LMDB 格式上的实现——单个.aselmdb文件可像任何 ASE DB 一样被查询，而 FAIRChem 提供了AseDBDataset类用于一次性读取多个 DB 文件并直接拿到Atoms对象。其实现位于 src/fairchem/core/datasets/ase_datasets.py。

读取单个子数据集（以 rattled-relax 为例）：

from fairchem.core.datasets import AseDBDataset dataset_path = "/path/to/omat24/train/rattled-relax" config_kwargs = {} # 见附加配置教程 dataset = AseDBDataset(config=dict(src=dataset_path, **config_kwargs)) # 按索引获取 atoms 对象 atoms = dataset.get_atoms(0)

同时读取多个子数据集时，只需将路径列表传给src：

from fairchem.core.datasets import AseDBDataset config_kwargs = {} # 见附加配置教程 dataset_paths = [ "/path/to/omat24/train/rattled-relax", "/path/to/omat24/train/rattled-1000-subsampled", "/path/to/omat24/train/rattled-1000", ] dataset = AseDBDataset(config=dict(src=dataset_paths, **config_kwargs))

若希望一次读取完整的 OMat24 训练或验证划分，把全部子数据集路径传入即可。该数据类同时被 fairchem 训练/评测配置 中的RelaxationRunner复用（fairchem.core.datasets.ase_datasets.AseDBDataset），意味着同一套读取逻辑贯穿数据准备、训练与推理全流程。

OMat24 专属能量校正：不要混用 MP2020 校正

这是使用 OMat24 训练模型时最容易踩的坑，src/fairchem/data/omat/README.md 开篇即给出醒目警告：

OMat24 的 DFT 计算与 Materials Project（MP）计算不兼容。若模型仅在 OMat24 上训练，必须使用 OMat24 专属的单质参考与 MP2020 风格阴离子/GGA-GGA+U 混合校正（见 entries 目录），禁止使用 MP2020 校正或 MP 参考单质。此外，在计算形成能、能量高于凸包等能量差值并与 Materials Project 对比时需格外小心，因为赝势不同且磁基态可能不同。

为什么需要单独校正？OMat24 采用 PBE/PBE+U 混合计算，而 MP2020 校正项是针对 MP 的 PBE54 基组与计算流程拟合的。仓库通过OMat24Compatibility类（compatibility.py）在MaterialsProject2020Compatibility的基础上替换默认配置文件为 OMat24Compatibility.yaml，其中保存了针对 OMat24 弛豫设置（OMat24RelaxSet）拟合的 222 种化合物的校正系数，例如：

• GGA/GGA+U 混合校正（eV/atom）：Fe 氧化物 -2.428、Ni -2.58、Mn -1.701、Mo -2.972 等；
• 组分校正：oxide -0.657、peroxide -0.433、superoxide -0.152、S -0.487、F -0.436、Cl -0.6、N -0.303 等；
• 每一类校正都附有对应的不确定度（Uncertainties 字段）。

这些校正通过apply_mp_style_corrections(energy, atoms, correction_type="OMat24")或generate_computed_structure_entry(...)直接作用于 ASEAtoms/Structure对象，返回校正后的能量。校正由OMat24StaticSet生成的 VASP 输入参数（hubbards、run_type 等）驱动，确保与数据生成流程一致。

实战：用 UMA 模型计算无机材料形成能

在模型侧，FAIRChem 将 OMat24 作为 UMA 模型的一个专用任务（task_name="omat"）。docs/inorganic_materials/examples_tutorials/formation_energy.md 给出了完整示例：先用quacc的relax_job配合预训练 UMA（uma-s-1p2，任务omat）对 Cu 块体做晶胞+原子位置弛豫，再用FAIRChemCalculator与FormationEnergyCalculator计算形成能：

from fairchem.core.calculate import FAIRChemCalculator, FormationEnergyCalculator # 基于预训练 UMA 构建计算器（task_name="omat" 使用 OMat24 兼容校正） calculator = FAIRChemCalculator.from_model_checkpoint("uma-s-1p2", task_name="omat") # 应用 MP2020 风格 + OMat24 兼容性校正 form_e_calc = FormationEnergyCalculator(calculator, apply_corrections=True) atoms.calc = form_e_calc form_energy = atoms.get_potential_energy()

文档特别说明：仅用 OMat24 训练的模型，其形成能预测必须使用 OMat24 兼容的参考与 PBE/PBE+U 混合校正，而所需的参考数据可通过fairchem.data.omat包获取（即上文介绍的 entries 模块）。示例以 MgO 为目标时，可将预测值与 Materials Project 中报告的值（-3.038 eV/atom）对比，同时注意因 DFT 设置差异预期会有偏差。此外，示例还演示了huggingface-cli login/HF_TOKEN配置，用于访问受限托管的预训练权重。

基准评测：Matbench-Discovery 跑通示例

FAIRChem 在 configs/uma/benchmark/matbench-discovery-discovery.yaml 中提供了开箱即用的 Matbench-Discovery 评测配置，可直接验证 OMat24 训练模型在 WBM 测试集上的表现：

• 计算器：calculator.task_name: omat，即用 OMat24 专属语义驱动能量/受力计算；
• Runner：fairchem.core.components.calculate.RelaxationRunner，输入为matbench-discovery/WBM_IS2RE.aselmdb，fmax=0.02、steps=500，优化器为 ASEFIRE，晶胞用FrechetCellFilter过滤；
• Reducer：MaterialsDiscoveryReducer，输入 WBM 官方 summary（2023-12-13-wbm-summary.csv.gz）、computed structure entries 与 MP 元素参考（2023-02-07-mp-elemental-reference-entries.json.gz）三个文件，用于产出能量高于凸包（E-hull）等标准指标。

该配置将 OMat24 数据集、OMat24 校正与 Matbench-Discovery 基准评测三者串成完整闭环，是复现论文结果或评测自有模型时的直接参照。

引用 OMat24

OMat24 数据集采用 Creative Commons Attribution 4.0（CC BY 4.0）许可证。在论文或工作中使用该数据集与相关模型时，官方文档建议引用以下文献：

@article{barroso_omat24, title={Open Materials 2024 (OMat24) Inorganic Materials Dataset and Models}, author={Barroso-Luque, Luis and Muhammed, Shuaibi and Fu, Xiang and Wood, Brandon, Dzamba, Misko, and Gao, Meng and Rizvi, Ammar and Zitnick, C. Lawrence and Ulissi, Zachary W.}, journal={arXiv preprint arXiv:2410.12771}, year={2024} } @article{schmidt_2023_machine, title={Machine-Learning-Assisted Determination of the Global Zero-Temperature Phase Diagram of Materials}, author={Schmidt, Jonathan and Hoffmann, Noah and Wang, Hai-Chen and Borlido, Pedro and Carri{\c{c}}o, Pedro JMA and Cerqueira, Tiago FT and Botti, Silvana and Marques, Miguel AL}, journal={Advanced Materials}, volume={35}, number={22}, pages={2210788}, year={2023}, publisher={Wiley Online Library} }

总结

OMat24 为无机材料 MLIP 提供了规模可观、标签完整（能量/受力/应力）、且与 Matbench-Discovery 严格兼容的训练与评测数据。使用该数据集的关键要点可归纳为：按子数据集（rattled / AIMD）灵活组织训练数据；通过AseDBDataset以 ASE Atoms 形式消费.aselmdb文件；在计算形成能等能量差值时务必使用 OMat24 专属校正（OMat24Compatibility+ OMat24Compatibility.yaml）而非 MP2020 校正；最后可借助 matbench-discovery-discovery.yaml 一键完成标准评测。相关源码与配置均可在本仓库 src/fairchem/data/omat、src/fairchem/core/datasets/ase_datasets.py 与 docs/inorganic_materials 文档目录中进一步查阅。

【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