The Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models

Meta FAIR 推出了名为 Open Molecules 2025 (OMol25) 的大规模数据集，该数据集包含超过 1 亿个基于高精度 DFT 计算的分子结构，涵盖了 83 种元素及多种化学场景，旨在解决分子机器学习训练数据匮乏的难题，并配套提供了基准模型与评估体系以推动下一代分子化学模型的发展。

要点

这篇论文介绍了一个名为 Open Molecules 2025 (OMol25) 的超级大项目。为了让你轻松理解，我们可以把这项研究想象成为人工智能（AI）厨师建造了一座前所未有的“分子美食图书馆”和“训练场”。

以下是用通俗易懂的语言和比喻对这篇论文的解读：

1. 核心问题：AI 厨师为什么“饿”了？

在化学和制药领域，科学家需要设计新的药物、电池材料或催化剂。过去，他们主要靠两种方法：

• 做实验：在实验室里混合化学试剂。这很准确，但太慢、太贵，而且一次只能试一种。
• 用超级计算机模拟（DFT）：用数学公式计算原子怎么互动。这比做实验快，但计算量巨大，就像用算盘去算超级计算机的活儿，稍微复杂点的分子就算不动了。

最近，大家想用 AI（机器学习） 来代替超级计算机，让它像“超级厨师”一样，瞬间算出分子的性质。但是，AI 厨师要想做得好，必须吃够“数据”（训练材料）。以前的“食谱”（数据集）要么太小（只教了做简单的家常菜），要么太偏（只教了做某种特定的菜），导致 AI 遇到稍微复杂点的分子（比如含金属的、带电的、在水里泡着的）就“翻车”了。

2. 解决方案：OMol25 —— 一座“分子宇宙”图书馆

Meta FAIR 团队（论文作者）决定解决这个问题，他们建造了 OMol25。

• 规模惊人：这不仅仅是一个数据集，它包含了 1.4 亿次 高精度的量子化学计算。这相当于人类算了几十亿个 CPU 核心小时。
• 无所不包：以前的数据集可能只教 AI 认识碳、氢、氧（像只教做沙拉）。OMol25 则涵盖了 83 种元素（几乎整个元素周期表），包括：
  • 生物大分子：像蛋白质、DNA 这种复杂的“生命机器”。
  • 金属配合物：像电池里的催化剂，结构千变万化。
  • 电解质：像电池里的液体，带电且在水或油里乱跑。
  • 反应过程：分子如何“变身”成另一种分子。
• 高质量：所有的数据都是用目前最精准、最昂贵的数学公式（DFT 理论）算出来的，相当于给 AI 厨师提供了“米其林三星”级别的教材，而不是快餐。

比喻：如果把以前的数据集比作一本只有 100 页的《家常菜食谱》，那么 OMol25 就是一本 1400 万页的《全球美食百科全书》，里面不仅有家常菜，还有深海珍馐、太空料理，甚至包括了食材在极端压力下的变化。

3. 怎么造出来的？（采样策略）

为了收集这么多数据，作者们用了各种“魔法”：

• 从现实世界“挖”宝：从蛋白质数据库里提取药物和蛋白结合的部位。
• 随机生成：像搭积木一样，随机组合金属和配体，创造出从未存在过的分子结构。
• 模拟动态：让分子在虚拟的“水”里游动，或者在电池里带电穿梭，捕捉它们动态的样子，而不仅仅是静止的照片。
• 重新计算旧数据：把以前大家用过的旧数据集，用更高级的公式重新算了一遍，确保标准统一。

4. 训练与测试：AI 厨师的“大考”

有了数据，作者们还训练了几个基础的 AI 模型（Baseline Models），并设计了一套严格的考试来测试它们：

• 考什么？
  • 结合力：药物能不能紧紧抓住病毒蛋白？（就像钥匙能不能完美插入锁孔）。
  • 构象：分子能不能找到最舒服的姿势？（就像人睡觉怎么躺最舒服）。
  • 带电与自旋：分子带电了会怎样？电子怎么转？（这就像测试厨师能不能处理带电的食材）。
  • 距离缩放：把分子拉开或推近，能量怎么变？（测试 AI 是否理解分子间的“引力”和“斥力”）。
• 结果如何？
  • 目前的 AI 模型在简单任务上已经非常接近“化学精度”（误差极小，可以直接用于科研）。
  • 但在带电系统、金属反应、长距离相互作用等难题上，AI 还有提升空间。这就像 AI 厨师做沙拉很完美，但做复杂的分子料理（如含金属的催化剂）时，偶尔还会把盐放多。

5. 这意味着什么？（未来展望）

OMol25 的发布不仅仅是一个数据集，它更像是一个公共基础设施：

• 加速发现：以前需要几年才能筛选出的新药或电池材料，现在 AI 可能几天甚至几小时就能筛选出来。
• 降低门槛：以前只有拥有超级计算机的大实验室才能做的高精度模拟，现在普通研究者用 AI 模型就能做。
• 社区共建：作者公开了所有数据、代码和排行榜，邀请全世界的科学家来挑战，看看谁能做出更聪明的“分子厨师”。

总结

OMol25 就像是给化学界的 AI 装上了“超级大脑”和“超级眼睛”。 它通过提供海量、多样且高精度的分子数据，让 AI 能够以前所未有的速度和准确度去探索化学世界。虽然现在的 AI 还不是完美的，但它已经站在了一个全新的起点上，未来可能会彻底改变我们设计药物、开发新能源和制造新材料的方式。

一句话概括：Meta 团队造了一座包含 1.4 亿个分子“高清照片”的超级图书馆，让 AI 能像老练的化学家一样，快速、准确地预测和设计新的分子，从而加速人类在医疗和能源领域的创新。

技术摘要

Open Molecules 2025 (OMol25) 数据集、评估与模型技术总结

1. 研究背景与问题 (Problem)

机器学习（ML）模型在原子模拟领域展现出巨大潜力，有望以极低的计算成本实现量子化学级别的精度，从而推动高通量分子筛选和大规模模拟。然而，构建高性能通用分子 ML 模型面临的核心挑战是缺乏全面、高质量且多样化的训练数据。

现有的分子数据集存在以下局限性：

• 规模与多样性不足：早期数据集（如 QM9, MD-17）规模较小（<100 万），且主要局限于少数元素（C, H, O, N, F）和有机小分子。
• 化学空间覆盖有限：较新的数据集（100 万 -1000 万级）虽然扩展了化学多样性，但大多仍局限于电中性的孤立有机分子，原子数通常少于 50 个。
• 缺乏关键物理状态：现有数据缺乏对电荷态（Charge）、自旋态（Spin）、溶剂化效应、反应活性结构以及大尺寸系统（>50 原子）的充分覆盖。
• 评估标准单一：传统的评估指标（如随机划分的能量/力误差 MAE）无法充分反映模型在实际化学应用（如结合能预测、反应路径、长程相互作用）中的有效性。

2. 方法论 (Methodology)

为了解决上述问题，Meta FAIR 团队推出了 Open Molecules 2025 (OMol25) 数据集，并配套了基准模型和全面的评估任务。

2.1 数据集构建 (Dataset Construction)

OMol25 是一个包含超过 1.4 亿个密度泛函理论 (DFT) 单点计算的大规模数据集，总计算量达 66 亿 CPU 核心小时。

• 理论级别：采用高精度的 $\omega$B97M-V/def2-TZVPD 泛函和基组，这是目前公认对广泛量子化学任务最准确的泛函之一（仅次于计算成本极高的双杂化泛函）。
• 覆盖范围：
  • 元素：涵盖前 83 种元素。
  • 系统规模：原子数从 2 到 350 个不等（平均约 50 个）。
  • 物理状态：电荷范围 -10 到 +10，自旋多重度 1 到 11。
• 四大核心领域：
  1. 生物分子 (Biomolecules)：包括蛋白质 - 配体、蛋白质 - 蛋白质、核酸 - 核酸及蛋白质 - 核酸相互作用。利用 BioLiP2 数据库提取口袋环境，结合分子动力学 (MD) 采样。
  2. 金属配合物 (Metal Complexes)：涵盖过渡金属、主族金属及镧系元素。利用 Architector 工具生成大量不同配体、氧化态和配位数的配合物，并包含反应路径采样。
  3. 电解质 (Electrolytes)：涵盖水溶液、非水溶液、离子液体和熔融盐。通过经典 MD 和 Ring Polymer MD (RPMD，包含核量子效应) 采样溶剂化壳层结构，并包含界面结构。
  4. 主族分子 (Main-group Molecules)：包含重主族元素化合物、团簇、反应轨迹及特殊质子化/电离状态。
  5. 社区数据集重算 (Community)：对 ANI-2X, SPICE2, GEOM 等现有知名数据集进行了统一的高精度重算，以消除理论级别不一致的问题。

2.2 数据生成策略

• 多样化采样：结合了基于实验结构（PDB, COD）的提取、基于规则的组合生成（Architector）、经典 MD 轨迹采样、ML 驱动的 MD 采样（使用 EquiformerV2 和 MACE 模型生成新构型）以及反应路径生成（AFIR 和 Popcornn 方法）。
• 质量控制：实施了严格的过滤标准，包括能量/力阈值检查、自旋污染检查 ($S^2$)、SCF 收敛性检查以及 HOMO-LUMO 间隙检查，确保数据质量。

2.3 基准模型与训练 (Baseline Models)

• 模型架构：训练了多种消息传递图神经网络（MP-GNN），包括 eSEN（等变模型）、GemNet-OC（不变模型）和 UMA（混合专家模型）。
• 电荷与自旋感知：针对 OMol25 中广泛存在的不同电荷和自旋态，对模型架构进行了修改，引入了基于总电荷和自旋的嵌入（Embedding）作为节点特征的输入，使模型能够区分同一几何结构下的不同电子态。
• 训练策略：采用了多阶段训练（预训练 + 微调）和混合精度（BF16/FP32）技术以提高大规模训练的稳定性。

2.4 评估任务 (Evaluation Tasks)

除了传统的能量和力误差外，论文提出了一系列基于物理和实际应用的评估任务：

• 蛋白 - 配体相互作用：预测结合口袋与配体的相互作用能和力。
• 配体应变能 (Ligand Strain)：评估模型预测生物活性构象与全局最小能量构象之间能量差的能力。
• 构象排序 (Conformers)：在大量局部极小值中识别全局最小能量构象。
• 质子化能 (Protonation Energies)：预测不同质子化状态下的能量差。
• 未优化电离能/电子亲和能 (Unoptimized IE/EA) 和 自旋隙 (Spin Gap)：评估模型在不同电荷/自旋态下的能量和力预测能力。
• 距离缩放 (Distance Scaling)：测试模型在短程和长程（截断半径外）相互作用下的能量和力缩放行为，考察长程力捕捉能力。

3. 关键贡献 (Key Contributions)

1. 首个超大规模、多领域、高精度的分子数据集：OMol25 是目前最大的 DFT 分子数据集之一，首次将生物化学、电化学、有机和无机化学统一在一个高精度理论框架下，覆盖了从 2 到 350 个原子的系统。
2. 填补了关键化学空间的空白：特别加强了对金属配合物、带电系统、溶剂化环境、反应活性中间体以及重主族元素的覆盖，解决了以往数据集“重有机、轻无机/金属”和“重中性、轻带电”的偏差。
3. 统一的理论基准：通过重算现有社区数据集，消除了不同研究间因 DFT 泛函/基组不同导致的性能比较偏差，建立了统一的评估基准。
4. 全面的评估体系：提出了超越简单 MAE 的评估指标，重点关注模型在物理一致性（如能量守恒、长程相互作用）和实际应用场景（如药物设计、电池材料）中的表现。
5. 开源生态：公开了数据集（CC BY 4.0 许可）、预训练模型权重（商业友好许可）以及代码，并建立了公共排行榜以激励社区发展。

4. 实验结果 (Results)

• 基准模型性能：
  • 在 OMol25 测试集上，UMA-M-1.1 模型表现最佳，平均能量误差为 1.38 kcal/mol，力误差为 0.13 kcal/mol/Å。
  • 在“化学精度”（~1 kcal/mol）范围内，模型在生物分子和小分子有机领域表现优异，但在金属配合物、电解质和反应性任务上仍有提升空间。
  • 电荷/自旋感知：引入电荷和自旋嵌入显著提升了模型在带电和开壳层系统上的表现。
• 评估任务表现：
  • 构象排序：表现良好，误差小于 0.1 kcal/mol，达到化学精度。
  • 配体应变能：误差在 0.07 - 0.19 kcal/mol 之间，表现优异。
  • 挑战领域：
    • 电离能/电子亲和能 (IE/EA) 和 自旋隙 (Spin Gap)：误差较大（3-9 kcal/mol），表明模型在处理电子态变化（特别是金属配合物）时仍面临困难。
    • 长程相互作用：在距离缩放任务中，当分子间距超过截断半径（长程区）时，能量和力误差显著增加，表明当前模型缺乏有效的长程物理修正。
• Wiggle150 基准：在高度应变的构象基准测试中，OMol25 训练的模型（如 eSEN, GemNet-OC）达到了 ~1 kcal/mol 的误差，与 $\omega$B97M-V 泛函本身的精度相当，优于许多其他 ML 势函数。

5. 意义与展望 (Significance)

• 推动 ML 势函数 (MLIPs) 的通用化：OMol25 为训练能够跨越无机、有机、生物和电化学领域的通用基础模型提供了必要的“燃料”，使得 MLIPs 从特定领域工具向通用化学模拟器转变成为可能。
• 加速材料发现：该数据集将极大地加速药物发现（蛋白 - 配体结合）、电池材料设计（电解质稳定性）、催化剂开发（金属配合物）等领域的虚拟筛选和机理研究。
• 明确未来方向：评估结果清晰地指出了当前技术的瓶颈，特别是电荷/自旋的局域化描述、长程相互作用的处理以及反应路径的精确预测。这为下一代模型架构（如引入长程修正、更复杂的电子态描述）指明了改进方向。
• 社区协作：通过公开数据和排行榜，OMol25 旨在建立一个开放的协作生态，加速分子机器学习领域的技术迭代。

总之，OMol25 不仅是一个数据集，更是一个旨在重新定义分子模拟标准的综合性资源，标志着分子机器学习从“小样本、窄领域”向“大规模、全领域”发展的新阶段。