资讯 | DPA3重磅发布：面向大原子模型时代的图神经网络

AI for Science 北京科学智能研究院AISI 2025年06月11日 17:16

近年来，大原子模型（Large Atomistic Model, LAM）迅速发展，逐渐成为用来描述第一性原理计算定义的原子体系势能面（PES）的通用模型。这类模型的目标是对原子系统的基态PES实现高泛化、低成本的准确表示。然而，尽管规模律（scaling law）——即模型性能随模型参数量、数据量、计算资源的扩展而提升的规律——在自然语言处理等领域已经确立，但在LAM中的研究仍显不足。与此同时，适合LAM的模型架构尚未统一；设计一个既符合物理规律、又具备扩展能力的模型架构，成为该领域的关键挑战。

经过北京科学智能研究院、深势科技、北京应用物理与计算数学研究所等 16 家单位合作者的通力协作，深度势能团队近日面向社区提出了专门为大原子模型时代设计的DPA3模型架构，并发布了对应的预训练模型DPA-3.1-3M及适配DPA3模型的DeePMD-kit 3.1.0版本。

作为OpenLAM 大原子模型计划的重要载体，DPA3不仅展现出领先的预测精度和跨体系泛化能力，更首次系统性地验证了 scaling law 在LAM中的适用性，填补了该领域的关键空白。作为一款面向通用原子建模任务的核心模型，DPA3为LAM的算法基础与工程可行性提供了全新范式，也展现出将深度学习与材料科学深度融合的广阔前景。相关文章[1]以《A Graph Neural Network for the Era of Large Atomistic Models》为题，在arXiv上预发表。

感兴趣的读者，欢迎通过以下 Bohrium Notebook 链接快速上手：

https://bohrium.dp.tech/notebooks/57111746135

预训练模型下载使用链接：

https://www.aissquare.com/models/detail?pageType=models&name=DPA-3.1-3M&id=343

DeePMD-kit 3.1.0版本 release note：https://github.com/deepmodeling/deepmd-kit/releases/tag/v3.1.0

论文链接：

https://arxiv.org/abs/2506.01686

01 DPA3模型构造：

基于Line Graph Series的GNN架构

DPA3是一种基于Line Graph Series（LiGS）的图神经网络，通过迭代构造高阶图结构（从原子、键到角、二面角），在多个图之间传递和更新信息，实现对原子局域环境的高效建模（如下图所示）。

模型使用多层堆叠提升容量，同时引入数据集编码，使得在多任务训练中不增加参数量。此外，DPA3严格满足物理不变性，包括平移、旋转、排列对称性以及能量守恒，天然适合用于精确预测原子间相互作用。

02 DPA3模型表现：

多任务、多领域全面优越

在多类数据集的测试任务中，DPA3展现出卓越性能与广泛适应性（如下图所示）。

其中，在 SPICE-MACE-OFF 数据集上，DPA3在参数量少于MACE-OFF23(L) 的情况下，将能量误差显著降低了66%；在TorsionNet-500 数据集上，其对500个分子的扭转势垒预测全部达到化学精度要求；在甲酸催化分解、双层缺陷石墨烯和沸石结构等材料体系的势能面预测任务中，DPA3综合表现超越AlphaNet与NequIP；而在DPA2 paper[3]的18个多领域测试集中，DPA3全面优于 NequIP、MACE、Allegro 等先进模型，体现出其在分子、材料、反应等体系中的一致优越性。

03 Scaling Law：

理论验证与实证支持

DPA3首次在LAM中系统验证了scaling law的适用性。通过在MPtrj数据集上的多组实验，研究者发现模型性能与参数规模、训练步数、计算预算呈明确的幂律关系（如下图所示），这在之前的研究中[2]并不是显然的。

拟合出的经验公式表现出高度一致性（R² = 0.981），证明了DPA3具备通过系统扩展获得性能持续提升的能力。

04 MatBench & LAMBench双榜表现：

DPA3刷新多项纪录

如下图所示，在Matbench Discovery榜单中，DPA3-L24仅用1/6参数量，达到仅次于eSEN-30M-MP的综合性能（CPS = 0.717）。

如下图所示，在最新发布的LAMBench[4]基准测试中，DPA3训练得到的通用模型DPA-3.1-3M，在17个跨领域力场预测任务中实现最低平均无量纲误差，领先Orb、MACE等最新模型，成为真正“开箱即用”的通用势能面。

05 总结

DPA3是专为大原子模型（LAM）时代打造的新一代模型架构，围绕通用势能面的需求，系统融合了物理一致性、多任务学习机制与可扩展设计。在多个权威基准测试中，DPA3不仅展现出领先的预测精度和跨体系泛化能力，更首次系统性地验证了scaling law 在LAM中的适用性，填补了该领域的关键空白。作为一款面向通用原子建模任务的核心模型，DPA3为LAM的算法基础与工程可行性提供了全新范式，也展现出将深度学习与材料科学深度融合的广阔前景。

在走向大原子模型时代的过程中，开源开放已成为必然的主题。欢迎志同道合的各位加入大原子模型计划，开启更广泛科学发现和工业应用的新机遇。在征服元素周期表的路上，期待与你携手共创！

前往加入“大原子模型计划”：

https://www.aissquare.com/openlam

参考文献：

[1] Zhang, D., Peng, A., Cai, C., Li, W., Zhou, Y., Zeng, J., Guo, M., Zhang, C., Li, B., Jiang, H., Zhu, T., Jia, W., Zhang, L., & Wang, H. (2025). A Graph Neural Network for the Era of Large Atomistic Models. ArXiv, abs/2506.01686.

[2] Li, C., Ye, Z., Lupo Pasini, M., Choi, J.Y., Wan, C., Lin, Y.C., & Balaprakash, P. (2025). Scaling Laws of Graph Neural Networks for Atomistic Materials Modeling. ArXiv, abs/2504.08112.

[3] Zhang, D., Liu, X., Zhang, X., Zhang, C., Cai, C., Bi, H., ... & Wang, H. (2024). DPA-2: a large atomic model as a multi-task learner. npj Computational Materials, 10(1), 293.

[4] Peng, A., Cai, C., Guo, M., Zhang, D., Zhang, C., Loew, A., Zhang, L., & Wang, H. (2025). LAMBench: A Benchmark for Large Atomic Models. ArXiv, abs/2504.19578.

- End -

（如需转载图文请与公众号后台联系）

关于AISI

北京科学智能研究院（AI for Science Institute,Beijing，以下简称AISI）成立于2021年9月，致力于将人工智能技术与科学研究相结合，加速不同科学领域的发展和突破，推动科学研究范式的革新，建设引领世界的「AI for Science」基础设施体系。

AISI的研究人员来自国内外顶尖高校、科研机构和科技企业，共同聚焦物理建模、数值算法、人工智能、高性能计算等交叉领域的核心问题。

AISI致力于创造思想碰撞的学术环境，鼓励自由探索和跨界合作，共同探索人工智能与科学研究结合的新可能。

如何加入北京科学智能研究院

北京科学智能研究院多岗位热招进行中，

加入我们，奔赴AI for Science新未来！

岗位详情请点击：

加入我们，推动AI for Science迈向新征程

期待优秀的你加入！