Open Materials 2024 (OMat24) 是Meta推出的包含超过1.1亿个结构的密度泛函理论(DFT)计算的大型开放数据集，专注于无机材料的结构和成分多样性。附带预训练的图神经网络模型EquiformerV2，模型在Matbench Discovery排行榜上展现了优异的性能，能预测材料的基态稳定性和形成能，推动AI在材料科学领域的应用。
Open Materials 2024的主要功能大规模数据集提供：提供超过1.1亿个结构的密度泛函理论（DFT）计算数据，数据覆盖广泛的无机材料，为材料研究提供丰富的数据基础。材料发现加速：加速新材料的发现和设计过程，相比于传统计算方法或实验方法，更有效地探索化学空间。预训练模型支持：提供基于图神经网络（GNN）的预训练模型EquiformerV2，模型在预测材料的基态稳定性和形成能方面表现出色。Open Materials 2024的技术原理密度泛函理论（DFT）：用DFT进行计算，这是一种计算量子力学方法，用在模拟电子结构，特别是多电子体系的基态。图神经网络（GNN）：OMat24的EquiformerV2模型基于GNN架构，这是一种深度学习模型，能有效处理图结构数据，适于分子和晶体结构的表示和性质预测。数据增强和去噪：基于非平衡结构去噪（DeNS）等技术，增强模型对非平衡状态材料的泛化能力，提高模型的鲁棒性和准确性。大规模训练和微调：模型在大规模数据集上进行预训练，在特定数据集上进行微调，适应不同的预测任务和提高性能。高性能计算资源：基于高性能计算资源进行大规模DFT计算和模型训练，是处理和分析OMat24中庞大数据量的关键。Open Materials 2024的项目地址项目官网：https://ai.meta.com/blog/fair-news-segment-anything-2-1-meta-spirit-lm-layer-skip-salsa-sona/HuggingFace模型库：数据：https://huggingface.co/datasets/fairchem/OMAT24模型：https://huggingface.co/fairchem/OMAT24arXiv技术论文：https://arxiv.org/pdf/2410.12771Open Materials 2024的应用场景新材料发现：用AI加速未知材料的发现，特别是在能源、电子和催化等领域。材料属性预测：预测材料的电子结构、机械性能、热稳定性等关键属性。能源存储与转换：寻找和设计更好的电池材料、燃料电池催化剂和太阳能材料。环境科学：开发用于直接空气捕获（DAC）的新型吸附剂，帮助缓解气候变化。计算材料科学：提供一个大规模的数据集，用于训练和验证计算材料科学中的机器学习模型。 
