---
tags: [repo-analysis, comparison, uMLIP, matbench, course-design]
confidence: high
sources:
  - https://matbench-discovery.materialsproject.org/
  - https://www.nature.com/articles/s41524-024-01500-6
  - https://arxiv.org/abs/2512.16702
  - 本目錄四份 repo 分析（各自附完整來源）
last_updated: 2026-06-11
---

# 四個 repo 比較表與 2026 年 uMLIP 全景

## 0. 一句話總結

LDR 管「讀文獻」，其他三個管「算原子」：MACE 是**可訓練**的 MLIP 框架（也有 foundation models），CHGNet / MatterSim 是「下載即用」的**預訓練模型**。課程敘事線：Ch1 用 LDR 解文獻之苦 → Ch2–4 從 DFT 到 MACE 學會 MLIP → Ch5 用 CHGNet/MatterSim 講 foundation model 的能與不能 → Ch6 收斂到 HEA 研究應用。

## 1. 主比較表

| | Local Deep Research | MACE | CHGNet | MatterSim |
|---|---|---|---|---|
| 類型 | AI 文獻研究助理（不做計算） | MLIP 框架 + foundation models | 預訓練 universal MLIP | 預訓練 foundation model |
| 解決的痛點 | 文獻太多、筆記散落 | DFT 太慢，要自己訓練勢能 | 不想訓練、直接模擬 | 跨極端溫壓的通用模擬 |
| 輸出 | 帶引用的研究報告 | E / F / S | E / F / S / **magmom** | E / F / S |
| 訓練資料 | n/a | 看模型：MPTrj / sAlex / OMat… | MPtrj（158 萬 bulk 軌跡，PBE+U） | ~17M 結構（PBE，0–5000 K、0–1000 GPa） |
| 安裝 | `pip install local-deep-research` | `pip install mace-torch` | `pip install chgnet` | `pip install mattersim` |
| Python | **≥3.12**,<3.15 | ≥3.9 | ≥3.10 | **≥3.12** |
| Windows 原生 | 可（sqlcipher 有 wheel） | 未明示 → 建議 WSL2/Colab | **可（官方 wheel）** | **不可（無 wheel）→ WSL2** |
| GPU：推論/使用 | 本體不用（本地 LLM 才要） | CPU 可 | CPU/MPS 可（~413k 參數） | CPU 可（880K/4.5M 參數） |
| GPU：訓練/微調 | n/a | 訓練要 GPU；微調上 Colab 可 | 微調建議 GPU | 微調預設 cuda |
| License（code） | MIT | MIT | Modified BSD | MIT |
| License（權重） | n/a | **MIT 與 ASL 分裂**（見下） | 同 code | MIT |
| ASE 整合 | n/a | `mace_mp()` calculator | `CHGNetCalculator` | `MatterSimCalculator` |
| 微調介面 | n/a | `mace_run_train --foundation_model` + multihead replay | `Trainer`（targets="efsm"） | `finetune_mattersim.py`（torchrun） |
| 最新版（2026-06-11） | v1.7.0（2026-06-05） | v0.3.16（2026-05-10） | v0.4.2（2025-09-22，**已 legacy → MatGL**） | v1.2.5（2026-05-28） |
| 課程章節 | Ch1 | Ch3–4、Ch6 | Ch5 | Ch5 |

## 2. 課堂門檻排序（最容易 → 最麻煩）

1. **CHGNet**：Windows wheel + 權重內建 wheel + CPU 可跑 + 官方 Colab 徽章——當場 demo 首選
2. **MACE（推論）**：CPU 可跑；坑在套件名（`mace-torch` 不是 `MACE`）與 torch 版本；訓練/微調上 Colab
3. **MatterSim**：必走 WSL2/Colab（無 Windows wheel、Python ≥3.12）；Colab 的 Python 版本要先實測
4. **LDR**：Python ≥3.12 硬下限 + 需要 LLM（課堂最穩是雲端 API key）；建議教師演示為主、學生跟做為輔

## 3. 2026-06 的 uMLIP 全景（Matbench Discovery 快照）

當日抓取，共 47 個模型，依綜合指標 CPS 排序（來源: matbench-discovery.materialsproject.org）：

- **前段班**：EquiformerV3+DeNS-OAM（F1 0.931）、PET-OAM-XL、TACE-OAM-L、eSEN-30M-OAM、EquFlash、NequIP-OAM-XL…——幾乎全是 **OAM（OMat24 + sAlex + MPtrj）資料配方**
- **本課程模型的位置**：MatterSim-v1-5M **#22**、MACE-MPA-0 **#24**（F1 0.852）、MACE-MP-0 **#35**、CHGNet **#44**（F1 0.613）
- **教學定調**：教概念用經典（CHGNet/MACE 論文清楚、生態成熟），**做研究先查 leaderboard**——榜單幾個月就洗一次牌，「哪個模型最強」是會過期的知識，「怎麼查、怎麼讀指標」才是要教的能力

### License 速查（學生實務常踩的雷）

| 可商用 | 學術限定（ASL） | 其他 |
|---|---|---|
| MACE-MPA-0（MIT）、MatterSim（MIT）、CHGNet（BSD）、Orb-v3（Apache-2.0） | MACE-OMAT/OFF/MATPES/OMOL/MH 系列、GRACE | UMA（Meta）：允許商用但 HuggingFace gated + 地區排除；SevenNet：GPL-3.0 |

教學金句：**「code 的 license 不等於權重的 license」**——MACE repo 是 MIT，但你下載的某些模型權重是 ASL。

## 4. 用在表面 / 吸附 / 催化的已知風險（Ch5–Ch6 的核心安全教育）

1. **系統性偏軟（softening）**：bulk 近平衡軌跡訓練的 uMLIP（CHGNet、MACE-MP-0、M3GNet）對表面、缺陷、遷移能障、高能態**一致性低估**能量與力；少量資料微調即可局部修正（Deng et al., *npj Comput. Mater.* **11**, 9 (2025)）
2. **表面能系統性低估**；改用 OMat24 等含非平衡構型的資料訓練後明顯改善（來源見 mattersim/chgnet 分析）
3. **大規模異相催化 benchmark**（80 個 MLIP；arXiv:2512.16702）：沒有單一模型全贏；**磁性體系會災難性失敗**；用 MLIP 自己 relax 再算，誤差比 single-point 更大——對 Fe/Co/Ni 基 HEA 是直接警訊
4. **OC20 系模型為何在吸附問題佔優**：OC20 本身就是「吸附質 + 催化表面」的大規模 DFT 資料，UMA/EquiformerV2 直接見過該分布；跨域納入 OC20 的 SevenNet-Omni 金屬表面吸附能誤差 < 0.06 eV
5. **結論（寫進教材的標準作業）**：zero-shot 吸附能只能當**初篩與構型搜索**；定量結論前必須（a）用自家 DFT 資料 fine-tune，或（b）改用吸附資料訓練的模型，且一律 DFT 抽查驗證；磁性與氧化物界面加倍謹慎

## 5. 怎麼選（給學生的決策指南）

- 「我只想快速 relax 結構 / 初篩 bulk 性質」→ CHGNet（最好裝）或 MACE-MPA-0（較準、MIT）
- 「我要對表面/吸附做定量」→ 不要 zero-shot；用自家 DFT 微調 MACE，或評估 OC20 系模型（注意 UMA 的 gated license）
- 「我要高溫高壓 MD」→ MatterSim
- 「我要追蹤氧化態 / 給 VASP MAGMOM 初猜」→ CHGNet
- 「我要查文獻 / 建實驗室知識庫」→ LDR
- 「產學合作 / 可能商用」→ 先查權重 license：MACE-MPA-0、MatterSim、Orb-v3 安全；ASL 系列不行
- 「我要 2026 年最準的」→ 打開 Matbench Discovery 自己查（教材教讀法）

## 6. 課程章節對應

| 章 | 用到的 repo | 對應 demo |
|---|---|---|
| Ch0 | （概念）四者的痛點地圖 | 精度 vs 速度互動圖（候選） |
| Ch1 | LDR | RAG pipeline 視覺化 + notebook |
| Ch2 | （概念）MACE/CHGNet 的資料格式 | train/val/test split notebook |
| Ch3 | MACE 的 message passing 為原型 | `gnn-message-passing.html` ★ |
| Ch4 | MACE | `mace-minimal-demo.ipynb` ★ + equivariance 互動 |
| Ch5 | CHGNet + MatterSim | `pretrained-model-concept-demo.ipynb` + 家族樹/license 地圖 |
| Ch6 | MACE（微調敘事）+ 本表第 4 節 | `hea-active-site-distribution.html` ★ + notebook |

★ = 優先製作的三個 demo。