玻尔 DPA4：单卡实现 SOTA 精度的原子势能新纪元
在大型原子模型（LAMs）领域，竞争范式正经历深刻变革：从单纯堆砌参数转向构建更强、更快且计算轻量化的模型。2026 年 7 月，由 AI for Science Institute（AISI）、北京大学、DP Technology 及应用物理与计算数学研究所联合发起的 OpenLAM 团队，正式发布了下一代架构——DPA4。
DPA4 在权威基准 Matbench Discovery 上以综合性能得分（CPS）位列全球第一，确立了新的 State-of-the-Art（SOTA）。更令人振奋的是，DPA4 并未依赖庞大的参数规模，而是通过架构创新，将训练成本大幅压缩。此前领先的 eSEN 模型需要超过 300 个 GPU 天的训练时间，而 DPA4 仅需单张消费级 RTX 5090 显卡约 1 天即可达到相当精度，其参数量不足 eSEN 的十分之一。
这意味着，曾经只有企业级超算预算才能触及的 SOTA 精度，如今已可在普通桌面显卡上实现。DPA4 重新定义了精度与效率的帕累托前沿。
核心架构突破：EMFA SO(2) 卷积
DPA4 的核心创新在于其独特的EMFA SO(2) 卷积设计，旨在解决传统等变模型计算开销过大的瓶颈。
传统等变模型依赖 Clebsch-Gordan (CG) 张量积来耦合不同阶的几何特征以维持旋转对称性，但其计算复杂度随最大角动量阶数 $l_{\max}$ 呈 $\mathcal{O}(l_{\max}^6)$ 增长，成为高精度模型的计算瓶颈。
DPA4 的策略是将对称操作简化为更简单的子群：
- 局部坐标系重构：为每一条原子间键构建平滑的局部坐标系，使键方向与统一参考轴对齐。
- SO(2) 等变映射：将原本在全局 $SO(3)$ 群上的旋转等变性，降低为围绕参考轴的 $SO(2)$ 子群等变性。
- 块对角结构优势：由于 $SO(2)$ 是阿贝尔群，其等变线性映射具有极简洁的块对角结构，成功用高效的 $SO(2)$ 等变算子替代了昂贵的 $SO(3)$ 张量积。
此外，模型结合了注意力机制进行邻域特征聚合，自适应关注对中心原子关键的相互作用，在紧凑的参数 footprint 下实现了强大的表达能力。整个模型严格满足平移、旋转、置换对称性及能量守恒，确保物理一致性。
工程优化与性能指标
除了算法创新，DPA4 在工程实现上也进行了深度优化：
- 原生 torch.compile 支持：DPA4 从设计之初就面向编译器优化，无需修改代码即可通过
torch.compile实现端到端加速，训练速度提升 2-3 倍。 - 原生 ZBL 短程势：内置 Ziegler-Biersack-Littmark (ZBL) 排斥势，使模型在高压、辐射及结构缺陷等极端配置下依然稳健。
- 双榜 SOTA：不仅在 Matbench Discovery 登顶，还在小分子基准 SPICE-MACE-OFF 上取得第一。
实际应用价值
DPA4 的发布对开发者与科研界具有深远影响：
- 降低科研门槛：材料发现不再受制于昂贵的算力集群，高校实验室或个人研究者均可利用单卡设备运行高精度模型。
- 加速材料发现：在保持预测精度的前提下，训练效率相比前代 DPA3 提升了约 10 倍，极大缩短了从数据训练到模型部署的周期。
- 物理可信度：严格遵循物理定律（如能量守恒），使得模型在模拟极端环境下的材料行为时更加可靠。
目前，DPA4 已向 DeepModeling 社区开放早期预览，完整论文与官方仓库即将开源。这一突破无疑将推动 AI for Science 从“可用”迈向“普惠”的新阶段。
