MACE-MP-0：原子尺度通用机器学习势

MACE-MP-0 是面向原子尺度材料化学的基础模型，架构上把原子团簇展开（ACE）与等变消息传递统一在一起，即 MACE 架构。

架构要点：每层使用高阶（四体）等变特征，因此只需两层消息传递即可达到高精度，训练与推理成本显著低于此前的等变势函数，同时在 rMD17、3BPA 等基准上达到最优水平。

训练数据：基于 Materials Project 的公开数据集 MPtrj，约 15 万个无机晶体构型，覆盖周期表中绝大多数元素（PBE 泛函）。

报告表现：开箱即可对固体、液体、气体、化学反应、界面乃至一个小蛋白运行稳定的分子动力学，精度定性可靠、部分定量准确；用极少量目标体系的构型微调即可恢复到第一性原理精度。典型吞吐约为单张 GPU 每天千原子量级、纳秒尺度。

工程启示：它消除了”每换一个体系就要重新训练一个势函数”的循环，这正是机器学习势长期难以进入工程应用的障碍；代码以 MIT 许可在 GitHub 开源。