5月22日，北京科学智能研究院OpenLAM团队、北京大学、深势科技、北京应用物理与计算数学研究所联合推出面向大原子模型（LAM）的新一代模型架构DPA4。该模型在材料发现领域国际评测Matbench Discovery和小分子基准SPICE-MACE-OFF中均排名第一，综合性能领先，且训练成本较低。

Matbench Discovery官方截图，数据截至2026年5月22日

SPICE-MACE-OFF表现

DPA4的参数量不足此前领先模型eSEN的十分之一。据研究团队介绍，使用单张消费级RTX 5090显卡训练约一天，即可达到eSEN耗费300余GPU days的精度水平。在相同精度下，训练效率较上一代DPA3提升约10倍。

技术层面，DPA4将对称性“约化”到更简单的子群上处理。对每一条原子间的边，DPA4都构造一个光滑的局部坐标系，将该边方向对齐到统一的参考轴。在这一局部坐标系中，原本需要在整个SO(3)群上处理的旋转等变性，被约化为仅需在绕轴旋转的SO(2)子群上处理——而SO(2)是阿贝尔群，其等变线性映射具有简洁的分块结构。由此，昂贵的SO(3)张量积被等价地替换为高效的SO(2)等变线性算子，在严格保持完整旋转等变性的同时，将角向计算的开销大幅压缩。在此基础上，DPA4进一步引入注意力机制完成邻居信息的聚合：模型根据局部几何与化学环境，自适应地“关注”对中心原子最关键的相互作用，从而在紧凑的参数规模下获得强大的表达能力。整个模型严格满足平移、旋转、排列对称性与能量守恒，物理一致性得到保证。

工程实现上，DPA4率先支持torch.compile编译训练加速，并通过bf16精度自动混合精度降低显存占用，同时集成ZBL排斥势以提升极端构型下的稳定性。

DPA4模型结构

Matbench Discovery是AI驱动无机材料发现领域的国际评测标准，SPICE-MACE-OFF的评测结果则表明DPA4在有机小分子领域同样具有通用性。该成果有望降低大规模原子模拟的计算成本，应用于电池材料、催化剂设计、半导体探索等领域。目前DPA4已面向Deep Modeling社区开放尝鲜版本，相关论文及正式版本后续将开源。

当前，北京正在建设全球人工智能创新策源地和产业发展高地。2025年7月，北京市科委、中关村管委会会同相关单位发布《北京市加快人工智能赋能科学研究高质量发展行动计划（2025-2027年）》（以下简称：《行动计划》），将科学智能列为重点培育方向。此次DPA4模型的推出，是北京在科学智能领域的产学研合作成果。

下一步，北京市科委、中关村管委会将持续落实《行动计划》，支持科学智能模型研发迭代，推动人工智能技术在材料、生物医药等领域的应用落地。