单卡可跑18万原子！分子模拟的"规模焦虑"该终结了

分子动力学模拟长期面临精度与规模不可兼得的矛盾：量子化学方法（如DFT）准确但计算成本高，通常限于数百个原子；经典力场可模拟数十万至百万原子，但参数近似，误差难以先验评估。

UBio-MolFM旨在同时满足两者，以量子化学精度进行生物大分子模拟，推理速度接近经典力场，且无需针对新体系重新调参。

在KcsA钾离子通道模拟中（108964个原子，含真实脂双层与生理盐水），UBio-MolFM的五条独立轨迹中，滤器深处相邻钾离子形成无水直接接触，平均距离3.32 Å，四条轨迹全程维持；而两种经典力场共十条轨迹中，该接触从未出现（0%）。

在环孢素A构象自由能模拟中，UBio-MolFM解出落差5.51 kcal/mol的漏斗状地形，穿膜构象能量代价约3.5 kcal/mol；经典力场落差仅1.51 kcal/mol，地形近乎平坦。模型预测经100个去相关构象的DFT单点验证，能量偏差0.44 kcal/mol，小于三个DFT参考方法间的分歧（最小1.18）。

这些案例表明，经典力场的局限可能超越定量误差，导致定性层面的误判。

架构采用E2Former-V2等变Transformer，满足旋转等变性、非共价距离感受野和单GPU硬件效率。通过SO(3)→SO(2)基变换、节点中心Wigner-6j分解和Triton流式注意力，实现接近线性的计算复杂度。骨干叠加四层混合截断半径：三层5Å短程注意力覆盖全部原子，第四层8Å排除氢，有效感受野约23Å。

训练数据约1.6亿条量子化学标签，来自OMol25（约1.4亿条）和自建UBio-Mol26（约1900万条）。UBio-Mol26富集亚甲基和酰胺基团，原子对距离在5-6Å外仍宽泛，覆盖生物大分子特征。约6.4万条周期性凝聚相数据用于校准水密度等热力学性质。

三阶段课程学习总计约1000 GPU-day：第一阶段用独立力头训练，第二阶段改用自动微分（F=-∇E），第三阶段引入生物大分子数据，仅监督力向量，剔除DFT系统性能量偏移。

在基线模型训练分布（OMol-Bio-10k）上，UMA-S-1p2误差最低，UBio-MolFM未超过但属第一梯队。在held-out生物大分子片段和超大规模场景下，UBio-MolFM受力误差比最佳基线低40%-45%，各类化学环境降低21%-64%。

同一测试流程（标准密度立方水盒子，单张141GB H20）下，标准模式UBio-MolFM约37K原子/s，最大支持约65000原子；激活重计算模式下支持12万原子，吞吐25.1对3.0千原子/秒，即速度提升8.3倍。显存增长斜率：UBio-MolFM每千原子0.73GB（激活重计算）或1.97GB（标准），UMA标准模式17.5GB，接近9倍。

按斜率计算，单卡理论可装19.3万原子，实测18万原子；8卡节点可扩展至144万原子。

模型权重、代码和技术报告已开源，链接见原文。

UBio-MolFM的适用场景是基线训练分布之外：需要显式溶剂与生物大分子环境的体系，直至百万原子规模。在数百原子的小分子体系内，UMA-S-1p2仍有精度优势。