日前，计算所谭光明研究员、贾伟乐研究员带领的研究团队在科学智能（AI for Science）领域取得重要进展，其提出的科学智能预训练大模型（通用机器学习原子间势函数模型） MatRIS（Materials Representation and Interaction Simulation），成功解决了现有高精度模型计算成本高昂的难题，超过了Meta公司的同类模型，在材料发现领域国际权威榜单Matbench Discovery上位列第一（https://matbench-discovery.materialsproject.org），成为最新的SOTA模型。这标志着在通往科学智能时代材料性质预测和加速新材料发现基础模型的道路上迈出了坚实的一步。

Matbench Discovery 是由加州大学伯克利分校、剑桥大学等顶尖科研机构发起的全球AI驱动无机材料发现领域最具影响力的动态基准榜单，被公认为评价材料科学智能模型性能的国际金标准。该榜单摒弃了简单的静态数据拟合，通过前瞻性测试机制要求模型预测数十万种未知晶体的热力学稳定性，真实模拟了科研探索过程。其评价体系不仅关注能量预测精度，更引入F1 分数和发现加速因子（DAF）来科学衡量筛选效率，吸引了包括 Meta、微软及顶尖高校在内的最强模型在此同台竞技，引领着科学智能领域的技术风向。

随着人工智能驱动的科学研究成为科研新范式，通用机器学习原子间势函数（Universal MLIPs）已成为计算材料科学中预测材料性质、加速新材料发现的关键工具。然而，当前领域内面临着一个核心矛盾：为了追求高精度，主流的“等变模型”（Equivariant Models）大量依赖张量积和高阶表示来捕捉几何对称性，导致计算复杂度极高，极大地限制了其在大规模原子系统中的应用。如何在海量量子力学数据不断增长的背景下，设计出一种既能充分挖掘高维原子相互作用，又具备极高计算效率的紧凑模型，成为该领域亟待解决的科学问题。

针对上述挑战，计算所团队提出了一种全新的“不变模型”（Invariant Model）架构——MatRIS。该模型独辟蹊径，不再单纯依赖昂贵的张量运算来强制对称性，而是通过引入基于线图（Line Graph）的注意力机制来显式建模复杂的三体相互作用（Three-body interactions）。

MatRIS 的核心创新在于设计了一种具有线性复杂度 O(N) 的可分离注意力机制（Separable Attention Mechanism）。该机制将传统的消息传递过程解耦为两个并行分支，分别捕捉邻居原子对中心原子的影响以及中心原子对邻居的反作用。这种设计使得模型能够像处理自然语言一样，高效地“关注”原子间的键角和几何结构信息，从而在大幅降低计算开销的同时，具备了强大的表达能力。

在包括 Matbench Discovery、MatPES以及分子数据集等多个权威基准测试中，MatRIS 均展现出了卓越的性能。特别是在材料发现领域的权威榜单 Matbench Discovery 中，MatRIS 取得了 0.847 的 F1 分数，达到了目前的最高水平（SOTA）。更为关键的是，得益于其精心设计的线性复杂度架构，MatRIS 在训练效率上相比同类领先的模型提升了高达 13.5 倍。Matbench Discovery排行榜单（Compliant models下F1排序，截图日期2026年1月27日）

这一结果有力地证明了团队提出的观点：通过精心设计的“不变模型”架构，完全可以在极低的计算成本下，达到甚至超越昂贵“等变模型”的预测精度。

MatRIS 的提出，不仅为通用原子间势函数的设计提供了新的思路，也为大规模、高通量的材料筛选与模拟提供了强有力的计算工具。该模型的高效性意味着在同等算力资源下，科研人员可以模拟更大尺度、更长时间跨度的微观物理过程，对于电池材料研发、催化剂设计以及半导体材料探索等领域具有重要的应用价值。

未来，团队将继续深耕科学智能与高性能计算的交叉融合，探索更大规模预训练模型在物理、化学等领域的应用边界，致力于打造更加智能、高效的科研基础设施。

该研究成果的论文已被人工智能领域顶级国际会议 ICLR 2026（International Conference on Learning Representations）录用，论文题目为《MatRIS: Toward Reliable and Efficient Pretrained Machine Learning Interaction Potentials》（周远昌，胡思宇，贾伟乐，谭光明）。

该工作得到了国家自然科学基金委项目（T2125013、92270206）和中国科学院“智能科学家”平台等支持。

心系“国家事”，肩扛“国家责”

为新时代创新驱动发展做出更加积极的贡献

续写“国家队”与“国家人”的辉煌！

原文链接：计算所研究团队近日在科学智能（AI for Science）的通用机器学习原子间势函数模型研制方面取得重要进展 (qq.com)