使用 MACE 预训练模型进行结构粗优化

和 CHGNet 类似，MACE 也是现在材料计算里很常见的机器学习势工具。你可以先把它理解成一个比 DFT 快很多的近似势能面：它不能替代最终的 DFT 计算，但很适合在 DFT 之前帮我们把明显不合理的结构先拉回到比较正常的位置。

MACE 的特点是使用等变神经网络来描述原子环境，官方也提供了预训练的 foundation models。对刚入门的同学来说，第一件值得做的事不是马上训练自己的模型，而是先学会用 MACE-MP 这类预训练模型做一次结构能量和力的预测，或者做一次粗略结构优化。

安装 MACE

建议单独建一个环境：

shell

conda create -n mace python=3.10
conda activate mace

pip install --upgrade pip

# 先根据自己的 CUDA / CPU 环境安装 PyTorch
# 具体命令建议看 PyTorch 官网，不同服务器可能不一样

pip install mace-torch ase pymatgen

如果服务器有 NVIDIA GPU，通常会用 device="cuda"；如果是 Apple Silicon，可以尝试 device="mps"；如果只是小结构测试，用 device="cpu" 也可以跑，只是慢一些。

用 MACE-MP 做一次结构优化

MACE 可以直接作为 ASE calculator 使用。下面这个脚本会读取一个结构文件，调用预训练的 MACE-MP 模型，然后用 ASE 的 BFGS 优化结构。

将下面代码保存为 MACE_Relax.py：

python

import sys
from pathlib import Path

from ase.io import read, write
from ase.optimize import BFGS
from mace.calculators import mace_mp


input_file = Path(sys.argv[1])
device = sys.argv[2] if len(sys.argv) > 2 else "cpu"

atoms = read(input_file)

calc = mace_mp(
    model="medium",
    dispersion=False,
    default_dtype="float32",
    device=device,
)
atoms.calc = calc

print(f"Using device: {device}")
print(f"Initial energy: {atoms.get_potential_energy():.6f} eV")

dyn = BFGS(
    atoms,
    trajectory="mace_relax.traj",
    logfile="mace_relax.log",
)
dyn.run(fmax=0.05, steps=300)

print(f"Final energy: {atoms.get_potential_energy():.6f} eV")

output_file = input_file.with_name(f"{input_file.stem}_mace_relaxed.vasp")
write(output_file, atoms, format="vasp", direct=True, vasp5=True)
print(f"Relaxed structure written to: {output_file}")

运行方式很简单：

shell

python MACE_Relax.py POSCAR cuda

如果没有 GPU，也可以先用 CPU 测试：

shell

python MACE_Relax.py POSCAR cpu

运行完成后，当前目录下会多出几个文件：

mace_relax.log：优化过程的文字日志
mace_relax.traj：ASE 轨迹文件，可以用 ase gui 打开
POSCAR_mace_relaxed.vasp：优化后的结构

如果输入文件里带有 ASE 能识别的约束，比如 VASP 的 selective dynamics，ASE 通常会把它们读成 constraints。实际写出前最好还是用 VESTA 或 ase gui 检查一下固定原子有没有符合预期。

看优化轨迹

如果装好了 ASE，可以直接打开轨迹：

shell

ase gui mace_relax.traj

这一步很有用。机器学习势优化很快，但正因为快，所以更应该养成习惯：不要只看最后一个结构，也要看一下优化过程中有没有原子乱飞、吸附物钻进 slab、晶胞变化不合理这类问题。

什么时候适合用 MACE

MACE 比较适合放在 DFT 之前做“预处理”。比如你手动搭了一个吸附结构，原子之间有点太近，直接丢给 DFT 可能很难收敛；这时可以先用 MACE 粗优化几十步，再把结构交给 VASP 做正式优化。

但也要记住，它不是最终裁判。预训练模型的适用范围取决于训练数据。对普通无机晶体、表面、简单吸附结构，MACE-MP 往往能给一个不错的起点；但如果体系里有很特殊的化学环境、强电荷转移、溶剂界面、带电体系、复杂磁性或不常见元素，就不能只相信机器学习势的结果。

后续可以继续看什么

MACE 的官方仓库在这里：ACEsuit/mace。如果只是用预训练模型，先看 MACE-MP 和 ASE calculator 的例子就够了；如果要训练或微调自己的模型，再去看官方 training、fine-tuning 和 foundation models 文档。

对组内日常工作来说，可以先把 MACE 当成一个结构预优化工具和快速筛查工具。等你真的需要在某一类体系上大量跑分子动力学、主动学习或高通量筛选，再考虑训练自己的专用模型。