FAIRChem 是 Meta 推出的化学机器学习框架（前身为 Open Catalyst Project，OCP），提供面向材料科学与量子化学的机器学习方法。该技能文档用于指导用户使用 FAIRChem 进行 ML 势函数计算。
【用途】 适用于：使用机器学习势进行材料与分子模拟；用预训练模型快速做几何优化；大规模分子动力学（MD）模拟；不依赖 DFT 计算能量与力；使用 UMA 模型；对催化、分子、晶体、MOF 做预测；将 ML 模型接入 ASE 工作流；在多 GPU 上扩展计算。
【核心概念】
- UMA 模型：在多样数据集上训练的通用模型。uma-s-1p1 为小模型（约 5000 万参数），推理更快；uma-m-1p1 为中等模型（约 3 亿参数），精度更高。
- 任务名称（领域）：oc20 对应催化（表面与吸附物）；omat 对应无机材料（晶体、体相）；omol 对应分子（有机化学）；odac 对应金属有机框架（MOF）；omc 对应分子晶体。同一模型只需更改 task_name 即可跨领域使用。
- FAIRChemCalculator：包装 UMA 模型的 ASE 计算器接口，可替代 DFT 计算器，支持全部 ASE 工作流，提供能量、力与应力，兼容优化、MD、NEB。
- 推理设置：turbo 模式速度最快但精度略降；标准模式平衡速度与精度；多 GPU 通过 workers=N 做分布式推理。
【安装】 pip install fairchem-core；GPU 支持用 pip install fairchem-core[gpu]；UMA 模型需安装 huggingface-hub 并执行 huggingface-cli login，且需 Hugging Face 账号并申请 UMA 模型仓库访问权限。
【基本用法】 从 fairchem.data.ase 导入 FAIRChemCalculator，从 fairchem.predict 导入 load_predict_unit；先 load_predict_unit("uma-m-1p1") 加载模型，再用 FAIRChemCalculator(predict_unit=..., task_name="omat") 创建计算器，赋给 ASE 的 atoms.calc 后即可获取能量、力并用 LBFGS 等优化器优化结构。
【典型工作流】 文档给出五个完整示例：催化表面吸附（fcc111 平板加 CO 吸附物，固定底层后 LBFGS 优化）；体相材料晶格优化（Fe bcc，配合 FrechetCellFilter 同时优化原子位置与晶胞）；分子动力学（小模型加 turbo 设置，MaxwellBoltzmannDistribution 初始化速度，Langevin NVT 动力学）；分子体系（H2O 优化）；NEB 计算（插值中间图像并计算能垒）。另含模型加载选项（指定 device、加载本地 checkpoint）、任务选择对照表、多 GPU 推理、turbo 模式与批量预测等性能优化内容。
【最佳实践与限制】 应按体系选择正确 task_name；初筛用小模型加 turbo，生产计算用中等模型，超大体系用小模型加多 GPU。ML 模型误差特性与 DFT 不同（约 0.1 eV），关键结果需与 DFT 对比验证；模型不提供不确定性量化。大体系需注意显存管理。FAIRChem v2 与 v1 不兼容，UMA 模型要求 FAIRChem >= 2.0。与 DFT 相比，FAIRChem 速度快 100-1000 倍、可线性扩展至数千原子，适合初筛、长时 MD 与高通量流程；高精度验证、训练数据外的新化学体系、电子结构与磁性分析仍应使用 DFT。