近年来，几何机器学习模型，如图神经网络，在化学和材料科学领域取得了显著成功，尤其是在高通量虚拟筛选和原子模拟等应用中。这些模型可以通过训练数据有效学习原子结构的潜在表示，但同时也存在一个重大局限：高度依赖数据。在许多研究场景中，数据稀缺是个常见问题，这严重限制了这些模型的应用范围。 为了解决这一问题，研究人员开始探索预训练机器学习模型，这类模型已经在大规模数据集上学习了原子结构的基本几何关系，通过进一步微调，可以在特定应用场景下的小规模数据集上表现得更好。特别是，那些在多样性和大规模原子数据集上预先训练好的模型，展示出了令人印象深刻的泛化能力和灵活性，被誉为“原子基础模型”。 最近，智源社区的科研团队发布了一个名为 MatterTune 的新平台。MatterTune 是一个模块化且可扩展的框架，旨在提高原子基础模型的使用便捷性和应用多样性。它提供了高级的微调功能，可以无缝集成到各种材料信息学和模拟工作流中，大大降低了研究人员的使用门槛。 MatterTune 目前支持多种最先进基础模型，包括 ORB、MatterSim、JMP 和 EquformerV2。这些模型在各自的领域都具备强大的性能。此外，MatterTune 还具有广泛的功能，例如模块化设计、分布式微调、可定制化设置以及对下游信息学任务的全面支持。这些特性使得 MatterTune 不仅适用于实验室环境，也能应对工业界的需求，加速新材料的发现和研究进程。 通过 MatterTune，研究人员可以在已有预训练模型的基础上，快速调整和优化模型，以应对具体问题。例如，在开发新型电池材料时，MatterTune 可以利用少量高质量的实验数据，对模型进行微调，从而提高预测的准确性。这种灵活高效的方法有望在未来显著推进材料科学的研究，并在制药、能源、电子等多个行业中产生深远影响。 业内专家对 MatterTune 的推出给予了高度评价。他们认为，该平台不仅为材料科学家提供了一个强大的工具，还在促进跨学科合作方面有着巨大潜力。预训练模型的广泛应用和 MatterTune 的模块化设计，使得不同背景的研究人员都能够轻松使用这一工具，加速科学研究的进程。 智源社区是一家致力于推进人工智能及交叉领域研究的非营利组织。此次 MatterTune 的发布，再次彰显了其在促进技术创新和知识共享方面的卓越贡献。