MPA材料基座模型：物理对齐助力实验预测

从理论计算到真实实验的预测鸿沟

材料性质预测长期面临一个根本性挑战：模型在标准基准测试中表现优异，却难以直接应用于真实场景。理论计算数据如同教科书——结构规整、噪声可控，模型能从中习得“结构-性质”的基础映射关系。而真实实验数据则更像街头实战，充斥着样品质量波动、测试条件漂移、仪器系统误差等不可控因素。工业界需要预测的性质远不止单一标准指标，往往涉及多维度、多尺度耦合。因此，材料AI模型必须具备“举一反三”的迁移能力，在理论计算与真实实验之间建立稳定的桥梁。 这正是MPA设计的核心目标：通过一套更系统、更严谨的训练范式，让模型不仅记忆结构特征，更要真正掌握与真实性质预测相关的底层物理规律。

借鉴LLM三阶段训练，进行物理对齐

MPA的基础架构采用Transformer，分为“躯干”和“头”。躯干是通用的图Transformer，负责学习材料体系的基础表征；头则根据不同任务进行适配，完成具体性质预测。关键创新在于它并未沿用“预训练+微调”的常规路线，而是在中间插入了一个决定性步骤：中期训练（mid-training）。 这一思路在LLM演化中已得到充分验证：预训练学习通识知识，中期训练强化通用能力，微调适配具体任务。MPA将此方法论引入材料领域。预训练阶段让模型掌握基础化学知识；mid-training阶段则利用大规模计算数据和部分通用实验数据，对模型实施**物理引导的对齐（physics-guided alignment）**。其目标是缩短理论结构表征与真实实验性质之间的语义差距。 对材料模型而言，仅知道“原子如何排列”远远不够。它必须理解背后的物理逻辑——例如生成焓、偶极矩、热容等性质与局部结构、整体材料之间的因果关联。第一性原理计算数据天然适合这一任务：可规模化、噪声低、物理意义清晰，是mid-training阶段最理想的训练材料。通过这一“加训”，MPA在接触真实实验数据之前，就已建立起更强的物理归纳偏置。

Hybrid Readout：面向实验性质预测的后训练结构

除了训练流程，MPA的另一大亮点在于后训练阶段引入的**混合读出（Hybrid Readout）**。 不同材料性质在物理结构上差异显著。有些性质如沸点、生物活性，更依赖材料的整体表征；另一些如生成焓、热容，则具有明显的“加和”特征——整体数值由各原子或局部结构的贡献累积而成。若对所有性质采用同一种“读法”，模型将被迫同时学习两套截然不同的规律，导致训练难度和数据需求量陡增。

MPA的解决方案极为巧妙：在后训练阶段设计了两条并行路径。一条是**注意力池化（attention pooling）**，借助注意力机制从全局视角整合材料信息，适合处理依赖整体结构和复杂相互作用的任务。另一条是**原子加和（atomic summation）**，先预测每个原子对性质的贡献，再求和得到整体值。该结构天然嵌入了“整体由局部构成”的物理约束，特别适合热力学性质预测。 最终，模型通过一个可调参数α将两条路径融合，能够根据不同任务自动调整“读法”。这并非盲目增加复杂度，而是将物理先验直接编码进模型结构，使模型在数据有限的实际实验任务中更容易学到合理的规律。

在更接近真实研发的场景中提升更明显

为了验证MPA设计的有效性，研究团队开展了严格的消融实验。对照组使用相同的预训练检查点，但跳过mid-training和Hybrid Readout，直接进行微调。结果清晰：在40个真实实验性质预测任务中，完整版MPA在随机划分下有38个任务的预测结果得到改善，平均误差降低14.0%；而在更具挑战性的骨架划分下，同样有38个任务提升，平均误差降低14.6%。

骨架划分要求训练集与测试集在材料“骨架”上具有更大差异，这极其考验模型“预测全新结构”的能力。MPA在这一更困难的设定下提升反而更显著，说明它并非死记硬背已有结构，而是真正学到了可迁移至陌生结构的物理规律。

研究团队还将MPA与ChemBERTa、ChemProp、Uni-Mol2等主流模型进行了横向对比。结果毫无悬念：无论随机划分还是骨架划分，MPA的综合表现均稳居首位，在40个真实实验任务中拿下35个SOTA。这一结果揭示了一个重要趋势：面向真实实验数据的材料性质预测，不能仅靠堆积数据量和参数规模。如何让模型在进入实验任务前“打好物理基础”，并在后训练阶段引入合适的任务结构，同样决定了最终成败。

让材料基座模型走向可持续迭代

MPA的意义不止于一个刷榜的模型，它为材料基座模型提供了一条更可持续、更具扩展性的训练路线。过去，不同性质预测任务往往各自为战，从模型搭建、数据清洗到参数调优，重复劳动过多，积累的知识也难以沉淀。MPA尝试将第一性原理计算数据、高质量实验数据和任务导向的后训练整合到一个统一框架中。随着数据和任务类型的不断增长，模型能够通过中期训练和实验反馈持续“自我进化”。 这条路径与当前LLM的进化史高度一致。能力的跃升不仅来自预训练规模的扩大，更来自有效的训练、对齐和后训练。 “之前材料基座大模型的scaling效应不明显，很可能就是预训练和复杂下游任务不匹配造成的。” **「深度原理Deep Principle」创始人兼CTO段辰儒**一语中的。“现在MPA通过mid-training的物理对齐解决了这个问题。下一步就是扩大模型参数，并收集更大量、更多样的一手数据。” 目前，MPA已作为核心能力接入「深度原理Deep Principle」的智能体产品。可以预见，随着计算数据、实验数据和自动化实验能力的持续增长，材料基座模型将从单点性质预测工具，逐步进化为支撑整个材料研发闭环的基础设施。

对MPA的性质预测能力和应用效果感兴趣，可访问相关页面注册试用。更多技术细节，请查阅其官方博客和技术报告。

来源：互联网