uMOF：金属有机框架的通用势能，吸附焓误差砍八成

通用机器学习原子间势能（MLIP）对金属有机框架（MOF）一直难用：晶胞大、第一性原理训练贵，细调模型和实验基准都少。Jaffrelot Inizan、Kamath、Elena、Persson 提出 uMOF，三块一起交。

一是目前最大、按他们说法最准的 MOF DFT 集：r²SCAN-D4，85524 个构型，覆盖 19950 个独特框架和 79 种元素，含空框架、载气、几何优化、状态方程和有限温度分子动力学。二是文献挖出的基准：3986 条核过的物性（其中 3146 条实验），来自 626 篇论文，挂到 650 多个 CIF。三是两套通用 MOF MLIP：uMOF-MH 与 uMOF-POLAR，从两套不同架构的 MACE 基础模型在 uMOF 数据上细调。

近平衡「tier-1」性质（体积模量、声子导出热容）与既有基础／细调基线相当。更难、对动力学敏感的性质——Widom 插入吸附焓和吸附等温线——超过他们测过的所有基线，包括在大两到三个数量级数据集上训的 MOF 气体捕获专用模型，错误砍超 80%，落到实验不确定度内。摘要把优势归到训练数据的物理多样性和理论层级，并指出约 1.7% 的 MD 模拟对 MLIP 稳定性起决定作用。预印本，未经同行评审。

AI 生成