MD22 — 42 至 370 原子生物大分子的 DFT 轨迹与力场基准

INFOBOX — MD22 一屏速览

维度	内容
本质	面向机器学习力场（MLFF）的生物大分子/超分子 MD 轨迹基准，MD17 的"大体系升级版"
论文	Science Advances 2023;9(2):eadf0873（doi:10.1126/sciadv.adf0873）；预印本 arXiv:2209.14865
团队	Stefan Chmiela、Klaus-Robert Müller（TU Berlin/BIFOLD）、Alexandre Tkatchenko（University of Luxembourg）等 7 人
体系	7 个：四肽 / 脂肪酸 / 四糖 / 2 个 DNA 碱基对 / 巴基球捕捉器 / 双壁纳米管
规模	原子数 42–370；总构型 323,422；总原子-帧 23,716,460
标签	每个构型的总势能 + 逐原子受力三维向量
方法	DFT-PBE+MBD 层级；FHI-aims（电子结构）+ i-PI（MD）；1 fs 步长；400–500 K
基组	小体系 tight、两超分子 light（FHI-aims 关键词）
主结果	全局 sGDML 力场力 RMSE ≈ 1 kcal/mol/Å，无需局域性近似即可处理数百原子体系
获取	sgdml.org 免注册直下（.npz）；ColabFit Exchange 7 个 Parquet 镜像
许可	CC0-1.0（公共领域贡献，无附加限制）
库内互链	QM9（rid=105）、ProteinGym（rid=813）、Human Protein Atlas（rid=404）

MD22 是机器学习力场（Machine Learning Force Field, MLFF）领域的一块"压力测试台"。它的前身 MD17（2017）把"用小分子从头算数据训练力场"变成了标准赛道，但 MD17 的分子最多只有几十个原子，模型很容易靠"只看每个原子的近邻"蒙混过关——这个捷径叫做局域性假设（locality assumption）。MD22 把题目加难：7 个体系从 42 原子的四肽一路做到 370 原子的双壁碳纳米管，规模、柔性、非局域性三轴同时拉满，逼着模型学会刻画"隔了十几个化学键仍彼此牵动"的长程关联。它既是数据集，也是"全局力场能否扩展到数百原子"这一问题的正面回答。

导语读法三则：

1. 只想下数据：直奔 §6——sgdml.org 免注册直下 CC0-1.0 的 .npz，或走 ColabFit 的 Parquet 镜像。
2. 关心能不能训得动：直奔 §5——论文表 I 给出 7 体系各训练集大小与 sGDML 的能量/力误差，是选训练集规模的直接依据。
3. 想把 MD17 的模型搬过来：直奔 §9——注意 MD22 是"升级版但不是替代品"，跨数据集迁移的坑在 §10 坑 5。

扩展摘要（600 字读懂 MD22）

MD22 是 2023 年随 Science Advances 论文 Accurate global machine learning force fields for molecules with hundreds of atoms 发布的机器学习力场基准数据集。它包含 7 个生物相关分子体系的从头算分子动力学（MD）轨迹：四肽 Ac-Ala3-NHMe（42 原子）、脂肪酸 DHA（56 原子）、四糖 Stachyose（87 原子）、两个 DNA 碱基对片段 AT-AT（60 原子）与 AT-AT-CG-CG（118 原子）、超分子巴基球捕捉器（148 原子）与双壁碳纳米管（370 原子）。每个体系提供逐构型的总势能与逐原子受力三维向量，标签在 DFT-PBE+MBD 层级下由 FHI-aims + i-PI 计算，时间步长 1 fs，采样温度 400–500 K。7 个体系合计 323,422 个构型（本文按论文 Table SII 逐项求和）、23,716,460 原子-帧。

数据集的核心设计意图是突破 MD17（2017）的规模天花板。MD17 的分子最多几十个原子，模型只需刻画局部化学环境即可拟合，掩盖了"局域性假设"在非局域效应上的根本缺陷。MD22 把体系做大、把非局域效应做强（尤其双壁纳米管的内外管协同旋转），迫使模型面对"隔了十几个化学键仍相互牵动"的长程关联。论文同时提出配套的全局 sGDML（对称梯度域机器学习）力场，不做任何局域化近似，让全部原子自由度保持关联，在 7 体系上均达到力 RMSE ≈ 1 kcal/mol/Å，并用**纳米秒级路径积分分子动力学（PIMD）**验证了大体系模拟的长期稳定性。

MD22 以 CC0-1.0 公共领域许可开放，经 www.sgdml.org 免注册直下（.npz），并有 ColabFit Exchange 的 7 个 Parquet 镜像（各带独立 DOI）。它已成为 MACE、NequIP、PaiNN、EScAIP 等主流力场的公共评测集，是"模型能否扩展到数百原子"的事实标准。对本库读者而言，它属于"药物发现与化学"域，不含任何临床或人类受试数据（patient_tags：不适用），是与 QM9（rid=105）、ProteinGym（rid=813）等同谱系的分子层面基准。

本条目一处重要订正：任务头给出的预印本编号 arXiv:2205.09566 经一手核验为错误（该编号是微分几何论文）；MD22 的正确预印本编号为 arXiv:2209.14865（详见 §2、坑 1）。

§0 导读：这个数据集解决什么问题

十年来，机器学习力场（MLFF）最尴尬的一条边界线是"几十个原子"。模型的复杂度随体系规模近似平方增长（原子两两相互作用），于是对稍大的分子，主流做法就退回到局域性假设：把总能量拆成每个原子的局部贡献，只让每个原子"看见"附近几个原子的环境。这个近似在大量场景下够用，代价是它从原理上无法描述非局域相互作用——即便参考数据里明明含有这些效应。对生物大分子尤其致命：蛋白质骨架的协同运动、核酸碱基间的长程堆积、超分子的整体旋转耦合，恰恰都是"隔山打牛"的效应。

MD22 的回答分两步。第一步是数据：构建 7 个比 MD17 大得多的体系，覆盖蛋白质（四肽）、脂质（脂肪酸）、碳水化合物（四糖）、核酸（DNA 碱基对）与超分子（巴基球捕捉器、双壁纳米管）四大类生物相关分子，每个都给出 DFT 级别的势能与原子受力轨迹。第二步是方法：论文同时提出"全局对称梯度域机器学习"（global sGDML）的迭代训练方案，不做任何原子相互作用局域化，让全部原子自由度保持关联，从而在数百原子体系上仍达到力 RMSE ≈ 1 kcal/mol/Å 的精度。数据集与方法是配对发布的——用 MD22 训练、用 sGDML 跑通，构成一个自洽的"大体系力场"范例。

§0 读法三则：

1. 这个条目是"数据集 + 方法论文 + 基准"三位一体：MD22 是数据，sGDML 是配套方法，表 I 是基准成绩单——三者共用一篇论文，勿当成三个独立资源。
2. 全文硬数字均出自论文 Table I / Table SI / Table SII；总构型数 323,422 是 7 项 Size 求和（本文自算），与 ColabFit 的逐项口径一致但需自行汇总（坑 3）。
3. 任务头曾把预印本误记为 arXiv:2205.09566，一手核验后确认正确编号为 arXiv:2209.14865（坑 1）。

§1 数据集速览：十问十答

Q1：MD22 的"22"是什么意思？
它是 MD17 的命名延续，编号本身不对应分子数或原子数。数据集共 7 个体系，与 MD17 的 8 个小分子（苯、甲苯、丙二醛、乙醇、天冬酰胺、水杨酸、偶氮苯、乙酰乙酸）形成世代关系：MD17 管"小分子精确"，MD22 管"大分子可扩展"。

Q2：7 个体系分别是什么？
(1) Ac-Ala3-NHMe——封端四肽，42 原子，属蛋白质类；(2) DHA（二十二碳六烯酸）——omega-3 脂肪酸，56 原子，属脂质类；(3) Stachyose（水苏糖）——四糖，87 原子，属碳水化合物类；(4) AT-AT——两个腺嘌呤-胸腺嘧啶碱基对，60 原子；(5) AT-AT-CG-CG——扩展为四个碱基对，118 原子，两者属核酸类；(6) Buckyball catcher（巴基球捕捉器）——一个 C60 嵌套在桶状分子内，148 原子；(7) Double-walled nanotube（双壁碳纳米管，边缘饱和氢）——370 原子，后两者属超分子类。

Q3：数据里到底有什么？
每个构型（一个分子在某一时刻的原子坐标快照）包含：原子种类与三维坐标、该构型的总势能、以及每个原子的受力三维向量。坐标与力是模型的输入/监督信号，能量是全局约束。不含偶极矩、电荷、电子密度等电子结构标签。

Q4：这些标签怎么算出来的？
电子结构用 FHI-aims 软件、在 DFT-PBE+MBD 层级求解（PBE 泛函 + 多体色散校正，后者负责捕捉范德华/长程色散力）；分子动力学用 i-PI 引擎跑，时间步长 1 fs，温度 400–500 K（小体系 500 K、两超分子 400 K），恒温器为全局 Langevin 或 Nosé-Hoover。

Q5：一共多少个构型？
按论文 Table SII 逐项求和：85,109 + 69,753 + 127,272 + 20,001 + 10,153 + 6,102 + 5,032 = 323,422 个构型。若按"原子数 × 构型数"累计，总原子-帧为 23,716,460。

Q6：训练集用多少？
论文按"力预测 RMSE 约 1 kcal/mol/Å"的目标反推每组训练集大小（Table I）：四肽 6k、DHA 8k、Stachyose 8k、AT-AT 3k、AT-AT-CG-CG 2k、巴基球捕捉器 600、纳米管 800。注意这不是固定比例划分——600 到 8000 样本不等直接反映各体系学习难度差异。

Q7：精度有多高？
配套的全局 sGDML 力场在 7 体系上力均值绝对误差（MAE）介于 0.52–0.79 kcal/mol/Å，能量 MAE 介于 0.0079–0.046 kcal/mol（逐原子归一）。其中纳米管力 MAE 最低（0.52），Stachyose 能量 MAE 最高（0.046），与体系柔性和采样密度一致。

Q8：CC0-1.0 意味着什么？
意味着贡献者放弃全部著作权，数据进入公共领域：可自由使用、修改、再分发，商用亦无限制，无需署名（ColabFit 各子数据集页与 sgdml.org 均标注 CC0-1.0）。这是本库中许可最宽松的条目之一。

Q9：和 QM9、MD17 什么关系？
QM9（库内 rid=105）是"静态小分子 + 多性质"的量子化学基准（约 13.4 万分子，几何优化态），MD22 是"动态大分子 + 能量与力"的力场基准（32 万余构型，MD 轨迹）；MD17 是 MD22 的前身（8 个小分子）。三者同为分子 ML 基准谱系的不同世代，细节见 §9。

Q10：谁该用、谁别用？
该用的是：做 MLFF/等变神经网络势（如 MACE、NequIP、PaiNN）训练与评测的研究者、研究长程/非局域相互作用的计算化学团队、需要 DFT 级分子动力学数据的方法开发者。别用的是：期待临床医学影像/病历条目者——MD22 是纯粹的计算化学数据，无任何人类受试信息（patient_tags：不适用）。

1.1 一页纸读懂 MD22 的坐标

如果只记三件事，记这三件：

1. 它是"力"的数据集，不是"性质"的数据集。QM9 给的是 13.4 万分子的 HOMO/LUMO/偶极矩等静态性质；MD22 给的是 7 个分子在运动中的势能与逐原子受力。前者回答"分子长什么样、有什么性质"，后者回答"分子怎么动、受力多少"——后者才是训练力场（跑 MD 的引擎）所需的信号。
2. 它的难度轴是"规模 + 非局域性"，不是"精度"。MD17 已经把小分子的精度做到很高；MD22 的贡献是把体系做大、把非局域效应做强，逼模型走出"只看近邻"的舒适区。
3. 它的方式论主张是"全局可以扩展到数百原子"。配套的全局 sGDML 力场证明：不做局域化近似，也能在 370 原子上跑纳米秒级模拟——这是 MD22 想让人记住的核心结论。

1.2 与相邻资源的一句话对照

你想要的	用哪个	一句话区别
小分子的多量子化学性质	QM9（本库 rid=105）	静态优化态、134k 分子、性质多而全
小分子的动力学（能量+力）	MD17（本库无）	8 个 9–21 原子小分子、力场入门基准
修正版小分子动力学	rMD17（本库无）	同 MD17 规模、重算提高数据质量
大分子的动力学（能量+力）	MD22（本条目）	7 个 42–370 原子体系、含非局域超分子
含激发态/非绝热	WS22 / xxMD（本库无）	电子激发态与耦合，非基态势能面
蛋白质突变适应度	ProteinGym（本库 rid=813）	序列-功能层面，非物理势能面

1.3 本条目覆盖范围声明

本条目覆盖 MD22 数据集本体、其配套论文（Science Advances 2023;9(2):eadf0873）与配套方法（全局 sGDML），以及其授权、获取、生态。不覆盖：论文附录 B 的 donor-bridge-acceptor 演示数据（非 MD22 体系，坑 7）；MD17/rMD17（另属独立数据集，本库无条目）；ColabFit 平台本身的机制（另属基础设施条目）。

1.4 三十秒判断：这个数据集和你的关系

按使用场景给出"该不该用 MD22"的快速判断：

你的场景	判断	理由
训练/评测机器学习力场	✅ 用	这是它的首要用途
研究分子动力学加速	✅ 用	提供 DFT 级参考轨迹
研究非局域/长程相互作用	✅ 重点用	纳米管是其设计核心
做蛋白质结构预测	⚠️ 慎用	只含一个四肽，非结构数据集
做药物-靶点结合预测	⚠️ 慎用	无配体-蛋白复合物、无溶剂
做临床影像/病历分析	❌ 别用	无任何人类数据
做材料（金属/氧化物）力场	❌ 别用	仅含 CHNO 有机体系
做电子结构/激发态	❌ 别用	只有基态势能与力
做分子生成	❌ 别用	非生成式数据集

1.5 一条"最短学习路径"

如果你从未接触过机器学习力场，想借 MD22 入门，推荐路径：

1. 先读论文摘要与图 1，理解"局域 vs 全局"的问题设定（约 30 分钟）。
2. 下载最小的 Ac-Ala3-NHMe（42 原子），用现成工具（sGDML 官方代码）训练一个力场（约 1 小时）。
3. 在测试集上看能量/力误差，与论文表 I 的 0.79 kcal/mol/Å 对照（验证管线）。
4. 换到双壁纳米管（370 原子），体会规模增长带来什么（训练时间、内存、精度变化）。
5. 跑一段短 MD，观察能量是否守恒（理解"单帧精度 ≠ 长时稳定"）。
6. 读论文 §IV 的 PIMD 部分，理解为什么稳定性验证是终极标准。

这条路径不需要集群、不需要昂贵设备，MD22 的低门槛设计正是为了让这条路径可行。

1.6 本条目与"医学"的关系（读者须知）

MD22 出现在"千方病案医数集"这样的医学数据平台，可能让读者疑惑其相关性。说明如下：

• 它不是医学数据集：无患者、无临床变量、无影像。patient_tags 标注为"不适用"。
• 它与医学相关的方式：它是计算药物发现与生物分子模拟的基础设施。药物分子与靶点蛋白的结合、生物大分子的构象变化，都需要精确的力场来描述——MD22 正是训练/评测这类力场的基准。
• 它的类目归属：category_tags 取"药物发现与化学"，L2 取"量子化学"“分子性质预测”，与库内 QM9、ProteinGym、DrugTargetCommons 等同处一个方法学谱系。
• 一句话：MD22 是"分子层面的生物医学"的坐标系，而非临床医学条目。收录它是为了补齐"从分子到临床"链条中最底层的分子模拟环节。

1.7 关键数字速记（打印版）

体系数            7
原子数范围        42 – 370
总构型数          323,422    （自算：7 项 Size 求和）
总原子-帧         23,716,460 （自算：Σ 原子数 × 构型数）
训练样本范围      600 – 8,000（按力 RMSE≈1 反推）
力 MAE 范围       0.52 – 0.79 kcal/mol/Å
能量 MAE 范围     0.0079 – 0.046 kcal/mol（逐原子）
理论层级          DFT-PBE+MBD
软件              FHI-aims（电子结构）+ i-PI（MD）
步长              1 fs
温度              400 K（超分子）/ 500 K（其余）
基组              tight（5 体系）/ light（2 超分子）
许可              CC0-1.0
期刊              Science Advances 2023;9(2):eadf0873
预印本            arXiv:2209.14865   （非 2205.09566，坑 1）

1.8 本条目结构导航

• §0 导读 → 问题设定
• §1 速览 → 十问十答 + 关键数字
• §2 数据构成 → 七体系详解、计算细节
• §3 世代关系 → 从 MD17 到 MD22
• §4 构造过程 → 可复现性与检查清单
• §5 基准结果 → Table I 全量 + PIMD 验证
• §6 获取与许可 → CC0-1.0 与三种途径
• §7 生态与影响 → 非局域性、三重用途
• §8 方法学启示 → 五条可迁移经验
• §9 库内互链 → QM9 等 + rid
• §10 避坑清单 → 十个坑
• §11 总结｜§12 深度问答｜§13 结语
• §14 写作说明｜§15 独立评估
• FAQ / 事实清单 / 术语表 / 附录 A–M

§2 数据构成与规格

2.1 七个体系一览（论文 Table I + Table SII 合并口径）

#	体系	类别	分子式	原子数	总构型数	训练样本	占全量比例
1	Ac-Ala3-NHMe	蛋白质（四肽）	C₁₂H₂₂N₄O₄	42	85,109	6k	7%
2	DHA（二十二碳六烯酸）	脂质（脂肪酸）	C₂₂H₃₂O₂	56	69,753	8k	12%
3	Stachyose（水苏糖）	碳水化合物（四糖）	C₂₄H₄₂O₂₁	87	127,272	8k	29%
4	AT-AT	核酸（DNA 碱基对）	C₂₀H₂₂N₁₄O₄	60	20,001	3k	15%
5	AT-AT-CG-CG	核酸（DNA 碱基对）	C₃₈H₄₂N₃₀O₈	118	10,153	2k	20%
6	Buckyball catcher	超分子	C₁₂₀H₂₈	148	6,102	600	10%
7	Double-walled nanotube	超分子	C₃₂₆H₄₄	370	5,032	800	16%

合计：7 个体系；原子数 42–370；总构型 323,422；总原子-帧 23,716,460（自算，见坑 3）。

2.2 体系的化学身份逐一说明

（1）Ac-Ala3-NHMe——封端四肽，42 原子，85,109 构型。
分子式 C₁₂H₂₂N₄O₄。它由三个丙氨酸残基构成主链，两端分别用乙酰基（Ac）与甲胺基（NHMe）封端，模拟蛋白质中一段被埋在长链内部的短肽局部环境——封端的作用是消除带电末端对构象的干扰，让这段四肽"像在蛋白质内部一样"运动。它是最小的、仍有真实二级结构自由度的肽段之一：主链存在多个可旋转二面角（φ、ψ），因此能呈现拉伸/卷曲等构象变化，却仍小到可用高精度 DFT 逐帧计算。它是 MD22 的"蛋白质类"代表，也是训练样本占全量比例最低的体系之一（7%），说明其能量面相对平缓、易学。

（2）DHA——二十二碳六烯酸，56 原子，69,753 构型。
分子式 C₂₂H₃₂O₂。DHA 是 omega-3 家族的 22 碳长链多不饱和脂肪酸，含 6 个顺式双键。多不饱和意味着碳链每遇一个双键就"拐一个弯"，整条链因此高度柔性，构象空间巨大。在生物学上 DHA 是细胞膜磷脂的关键成分、神经与视网膜发育的重要物质，是"脂质类"分子的典型。它的采样需求（8k 训练样本、占全量 12%）明显高于四肽，反映"柔性越高、需要越多样本"的经验规律。

（3）Stachyose——水苏糖，87 原子，127,272 构型。
分子式 C₂₄H₄₂O₂₁。水苏糖是一种四糖（由半乳糖-半乳糖-葡萄糖-果糖连接而成），存在于豆类等植物中。它带大量羟基（–OH），分子内外形成致密的氢键网络；MD 采样过程中氢键不断断裂重排，导致构象多样性极高。它是本数据集中构型数最多的体系（127,272），也是训练样本需求最大的体系之一（8k，占全量高达 29%）。大量氢键网络的协同重排，是"非局域效应"在碳水化合物上的表现形式。

（4）AT-AT——两个 DNA 碱基对，60 原子，20,001 构型。
分子式 C₂₀H₂₂N₁₄O₄。A（腺嘌呤）与 T（胸腺嘧啶）通过氢键配对，AT-AT 即两个 AT 碱基对的堆叠片段。它代表核酸中最简单的堆积单元，用来在保留"碱基堆积+氢键"这一核心相互作用的前提下控制规模。它的对称群阶 ‖G‖ = 36 较高，因为碱基对内部存在大量可置换的等效氢。

（5）AT-AT-CG-CG——四个 DNA 碱基对，118 原子，10,153 构型。
分子式 C₃₈H₄₂N₃₀O₈。在 AT-AT 基础上加入 C（胞嘧啶）与 G（鸟嘌呤）配对，形成四碱基对片段。它与 AT-AT 构成"同化学种类、不同尺度"的天然对照组：两者化学环境相似，唯一显著差别是规模（60 → 118 原子），因此可用于观察纯粹的规模效应。它的 ‖G‖ = 96 是全集最高，且含氮原子比例高（N 占约 25%），是"核酸类"力场学习的重要样本。

（6）Buckyball catcher——巴基球捕捉器，148 原子，6,102 构型。
分子式 C₁₂₀H₂₈。这是一个"主客体"超分子：一个 C60 巴基球被包在一个桶状的"捕捉器"分子内，捕捉器带有若干像"手指"一样的柔性结构可开合。它是纯粹由非共价相互作用（范德华、π-π 堆积、色散力）维系的体系，原子数大但化学键单调（几乎全是 C–C、C–H）。它的训练样本最少（600），因为碳环境的局部化学单一、模型易学；但"手指开合"的整体协同运动是典型的非局域现象，全局力场必须刻画。

（7）Double-walled nanotube——双壁碳纳米管，370 原子，5,032 构型。
分子式 C₃₂₆H₄₄（边缘用氢饱和）。它由两层同轴碳纳米管套在一起，是全集规模最大（370 原子）也非局域性最强的体系：内管与外管可相对旋转，这种"内外管协同转动"让每个原子的受力都依赖于整个体系的构型。它同时是构型数最少的体系（5,032）。论文对它做了最深入的分析——纳米秒级经典 MD 与路径积分 MD（PIMD），证明全局 sGDML 力场能稳定复现大尺度协同运动。它是 MD22 的"试金石"，也是本数据集中文件最大者（约 85.7 MB）。

2.3 体系选择的三条设计轴

MD22 的体系不是随意拼凑，而是沿三条轴刻意铺开：

• 化学多样性轴（生物分子的四大类）：蛋白质（四肽）、脂质（脂肪酸）、碳水化合物（四糖）、核酸（碱基对）——覆盖了构成生命体的主要分子类别。这类铺开让数据集能检验模型是否"跨化学域通用"，而非只对某类分子过拟合。
• 规模轴（42 → 370 原子）：从最小的四肽到最大的纳米管，跨约 8.8 倍。AT-AT 与 AT-AT-CG-CG 更是刻意做成"同化学、异尺度"的对照对，用于隔离规模效应。
• 非局域性轴（局域 → 强非局域）：四肽的相互作用主要在局部，而纳米管的内外管旋转、捕捉器的手指开合是极端非局域效应。这条轴是 MD22 区别于 MD17 的核心加难维度——它直接挑战"局域性假设"这一主流近似。

2.4 标签与数值规格

• 势能（energy）：每个构型一个标量，单位 kcal/mol。论文 Table SII 给出各体系的能量取值范围（range）与方差（variance），数值反映了轨迹能量起伏的幅度。
• 原子受力（forces）：每个原子一个三维向量，单位 kcal/mol/Å。Table SII 同样给出 range 与 variance。
• 坐标（geometry）：每个构型含全部原子的种类与三维坐标（单位 Å）。
• 划分（split）：论文为每个体系指定固定训练集（Table I “# train.” 列）与相应测试集，训练集大小以"力 RMSE ≈ 1 kcal/mol/Å"为目标反推确定。
• 不含的标签：偶极矩、部分电荷、电子密度、HOMO/LUMO、激发态能量、非绝热耦合——这些在 QM9、WS22、xxMD 等其他基准中提供，MD22 只聚焦能量与力。

2.5 能量/力统计量表（论文 Table SII 全量）

体系	分子式	构型数	能量 range	能量 variance	力 range	力 variance
Ac-Ala3-NHMe	C₁₂H₂₂N₄O₄	85,109	102.19	67.30	437.99	678.02
DHA	C₂₂H₃₂O₂	69,753	75.71	91.31	420.07	673.99
Stachyose	C₂₄H₄₂O₂₁	127,272	106.15	189.33	426.08	655.55
AT-AT	C₂₀H₂₂N₁₄O₄	20,001	139.29	120.09	444.01	779.81
AT-AT-CG-CG	C₃₈H₄₂N₃₀O₈	10,153	243.50	246.64	407.55	768.13
Buckyball catcher	C₁₂₀H₂₈	6,102	378.08	576.85	287.77	450.12
Double-walled nanotube	C₃₂₆H₄₄	5,032	674.50	5950.68	315.39	546.30

（能量单位 kcal/mol；力单位 kcal/mol/Å；数值均为论文 Table SII 口径。）

读数要点：纳米管的能量 variance（5950.68）比其余体系高一到两个数量级，说明其轨迹能量起伏最剧烈——这正是大尺度形变（内外管相对运动）的印记。捕捉器与纳米管的力 range 反而较低（287.77 / 315.39），因为它们的原子多为等效碳环境、局部受力较均匀；而四肽与碱基对的力 range 高（437.99 / 444.01），因含 N、O 等极性原子，局部受力差异大。这组数字从数据层面印证了"规模大 ≠ 局部受力大"这一反直觉事实。

2.6 文件与格式

• 原始格式（sgdml.org）：每个体系一个 .npz（NumPy 压缩包），含坐标、能量、受力张量及划分索引。直链形态如 https://www.quantum-machine.org/gdml/repo/datasets/md22_double-walled_nanotube.npz。实测双壁纳米管文件 Content-Length = 85,745,429 字节（≈85.7 MB），是 7 体系中的最大者；小体系文件相应小得多。
• ColabFit 镜像：转写为 Parquet 格式（ds.parquet 汇总 + co/ 逐构型行 + cs/ 配置集），提供统一 schema，便于与材料科学数据集混合加载。示例：MD22 double-walled nanotube 镜像文件 65.9 MB、5,032 构型、1,861,840 原子-帧；MD22 AT-AT-CG-CG 镜像 10,153 构型、1,198,054 原子-帧。
• HF 二次分发：OneScience-Group/nanotube 把纳米管单独抽出为 extxyz（训练 4,000 帧 + 测试 1,032 帧，每帧 370 原子），说明 MD22 的子集常被单独用于特定任务（如碳纳米管力场）。

2.7 计算细节（论文 Table SI 全表）

体系	温度 [K]	理论层级	恒温器	系数
Ac-Ala3-NHMe	500	PBE+MBD / tight	Global Langevin	2（fs）
DHA	500	PBE+MBD / tight	Nosé-Hoover	1700（cm⁻¹）
Stachyose	500	PBE+MBD / tight	Nosé-Hoover	1700
DNA base pair (AT-AT)	500	PBE+MBD / tight	Global Langevin	2
DNA base pair (AT-AT-CG-CG)	500	PBE+MBD / tight	Global Langevin	2
Buckyball catcher	400	PBE+MBD / light	Nosé-Hoover	1700
Double-walled nanotube	400	PBE+MBD / light	Nosé-Hoover	1700

要点：全部轨迹 1 fs 分辨率；tight/light 是 FHI-aims 的两档基组关键词，两个最大的超分子用较省的 light 基组（370 原子用 tight 代价过高），其余用 tight。温度不是全局统一——小体系 500 K、两超分子 400 K，这是跨体系比较误差时需要注意的口径差。

2.8 一个反直觉的观察：为什么"更难的分子"反而样本更少

初看 Table I 会困惑：为什么规模最大、非局域性最强的纳米管只需 800 训练样本，而 87 原子的 Stachyose 却要 8k？原因有两层。其一是局部化学环境的复杂度：纳米管几乎全是等效的 sp² 碳，模型不需要见过很多"花样"就能泛化；而 Stachyose 的羟基可处在无数种氢键拓扑中，每种都是新的局部环境。其二是能量的空间分布：纳米管的能量起伏虽大（variance 5950.68），但变化方向高度规律（伸缩/旋转），模型学的是"一条大曲线"；Stachyose 的能量面则是多谷、多路径的复杂景观。这提示一个方法学教训：决定数据需求的是"化学/构象复杂度"，而非原子数本身——这一条对任何"规模 vs 数据"的估算都适用，也是 MD22 相比 MD17 更"成熟"的地方（它把规模与复杂度两个常被混为一谈的变量拆开了）。

2.9 七个体系的信息卡（速查）

卡 1：Ac-Ala3-NHMe（蛋白质）

• 分子式 C₁₂H₂₂N₄O₄｜原子数 42｜构型 85,109｜训练 6k（7%）
• 结构：丙氨酸三肽主链 + Ac/NHMe 封端
• 温度/基组：500 K / tight
• 特点：最小体系、能量面平缓、E-MAE 最低（0.0093）
• 用途：管线调试、入门基线

卡 2：DHA（脂质）

• 分子式 C₂₂H₃₂O₂｜原子数 56｜构型 69,753｜训练 8k（12%）
• 结构：22 碳长链、6 个顺式双键的多不饱和脂肪酸
• 温度/基组：500 K / tight
• 特点：柔性极高、构象空间大、样本需求高
• 用途：研究"柔性如何影响力场学习"

卡 3：Stachyose（碳水化合物）

• 分子式 C₂₄H₄₂O₂₁｜原子数 87｜构型 127,272｜训练 8k（29%）
• 结构：四糖，密集羟基氢键网络
• 温度/基组：500 K / tight
• 特点：全集构型最多、E-MAE 最高（0.046）、‖G‖=1（无对称性可用）
• 用途：氢键网络/多谷能量面研究

卡 4：AT-AT（核酸）

• 分子式 C₂₀H₂₂N₁₄O₄｜原子数 60｜构型 20,001｜训练 3k（15%）
• 结构：两个 A-T 碱基对堆叠
• 温度/基组：500 K / tight
• 特点：碱基堆积 + 氢键、‖G‖=36
• 用途：核酸力场最小单元

卡 5：AT-AT-CG-CG（核酸）

• 分子式 C₃₈H₄₂N₃₀O₈｜原子数 118｜构型 10,153｜训练 2k（20%）
• 结构：四个碱基对（A-T、C-G 各两组）
• 温度/基组：500 K / tight
• 特点：与卡 4 构成"同化学、异尺度"对照、‖G‖=96 最高（对称性最强）
• 用途：隔离纯规模效应

卡 6：Buckyball catcher（超分子）

• 分子式 C₁₂₀H₂₈｜原子数 148｜构型 6,102｜训练 600（10%）
• 结构：C60 巴基球嵌在桶状捕捉器内
• 温度/基组：400 K / light
• 特点：纯非共价主客体体系、训练样本最少之一、F-MAE 0.68
• 用途：主客体/非共价相互作用研究

卡 7：Double-walled nanotube（超分子）

• 分子式 C₃₂₆H₄₄｜原子数 370｜构型 5,032｜训练 800（16%）
• 结构：两层同轴碳纳米管、边缘氢饱和
• 温度/基组：400 K / light
• 特点：规模最大、非局域性最强、能量 variance 最高（5950.68）、F-MAE 最低（0.52）、文件最大（85.7 MB）
• 用途：长程/非局域效应、大体系稳定性验证（PIMD 试金石）

2.10 三对"对照体系"及其设计意图

MD22 的 7 个体系里藏着三对有意设计的对照：

对照对 A：AT-AT（60 原子）vs AT-AT-CG-CG（118 原子）——纯规模对照。
两者都是 DNA 碱基对堆叠、化学环境高度相似，唯一显著差别是碱基对数量（2 vs 4）与规模（60 vs 118）。这使研究者能在控制化学种类的前提下测量规模效应：AT-AT 训练 3k、AT-AT-CG-CG 训练 2k，后者规模近两倍却只需更少训练样本，部分归因于其更高的对称群阶 ‖G‖（36 → 96）带来的归纳偏置。

对照对 B：Buckyball catcher（148 原子）vs Double-walled nanotube（370 原子）——非局域强度对照。
两者都是纯碳/超分子体系，局部化学单调（多为等效碳环境），因此训练样本极少（600 / 800）。区别在于非局域效应的"形态"：捕捉器是"手指开合"的局部柔性运动耦合，纳米管是"内外管整体旋转"的大尺度协同运动。后者对全局模型的依赖更强，也是论文用纳米秒级 PIMD 重点验证的对象。

对照对 C：Stachyose（87 原子，8k 样本）vs Double-walled nanotube（370 原子，800 样本）——复杂度 vs 规模对照。
这是最反直觉的一对：小体系要 10 倍于大体系的样本。原因见 §2.8——决定数据需求的是化学/构象复杂度，而非规模。这一对是该数据集"最值得写在论文摘要里"的方法学发现。

2.11 数据集的"完备性"边界

在把 MD22 用于某个具体任务前，先确认它是否覆盖你的需求：

你可能需要	MD22 是否提供	备注
总势能	✅	每构型一个标量（kcal/mol）
逐原子受力	✅	三维向量（kcal/mol/Å）
原子坐标	✅	完整几何
偶极矩/电荷	❌	需 QM9 等其他数据集
电子密度	❌	需专门的密度数据集
激发态/非绝热	❌	需 WS22 / xxMD
溶解/溶剂效应	❌	均为真空/气相 MD
长时轨迹（连续时间序列）	⚠️	轨迹按构型存储，连续时间信息需自行处理
温度/压力众数	❌	每体系单一温度，无 thermodynamic ensemble
含金属元素体系	❌	全部为 CHNO 有机体系

2.12 三个规模口径的区分（避免数字误用）

读 MD22 的数字时，必须分清三个不同口径，它们常被混用：

1. 体系数 = 7：数据集包含的分子体系个数。这是"广度"口径。
2. 构型数 = 323,422：所有体系所有时间帧的总数。这是"数据量"口径，决定磁盘占用与训练算力。单个体系最多 127,272（Stachyose）、最少 5,032（纳米管）。
3. 原子-帧数 = 23,716,460：Σ(体系原子数 × 该体系构型数)。这是"计算量/存储粒度"口径，衡量的是"总共有多少条原子记录"。最小体系 42×85,109 ≈ 357 万，最大体系 370×5,032 ≈ 186 万——有趣的是，尽管纳米管单帧最大，其原子-帧总数反而低于四肽，因为它的构型数少。

误用示例：把"原子-帧 23,716,460"写成"2,371 万个分子"、“原子总数"或"构型数"都是错的。正确表述是"合计 23,716,460 条原子-构型记录”。

2.13 与其他规模的横向对照

为帮助读者建立规模直觉，把 MD22 与常见分子数据集对照：

数据集	体系数	体系规模（原子）	构型量级	标签侧重
MD17	8	9–21	约 15 万/分子	能量+力
rMD17	8	9–21	约 15 万/分子	能量+力（重算）
MD22	7	42–370	5k–127k/体系	能量+力
QM9	134k 分子	最多 29	1 构型/分子	多种量子性质
WS22	10	最多 22	约 118 万	能量+力+偶极+激发态

可见 MD22 的独特定位：体系数少但每个体系大，构型集中在"中等量级但覆盖长时轨迹"，标签聚焦能量与力。这与 QM9（多分子、单构型、多性质）和 WS22（多分子、海量构型、多性质）形成互补。

2.14 存储与算力估算

按实测纳米管单文件 85.7 MB 推算（5,032 构型、370 原子，即约 17 KB/构型），MD22 的存储大致特征：

• 大体系（纳米管、捕捉器）单文件数十至百 MB 级；
• 构型最多的 Stachyose（127,272 构型、87 原子）可能达百 MB 级；
• 全集若一次下载，总体积在 GB 量级（不含 ColabFit 的 Parquet 冗余格式）。

算力方面，因训练集仅 600–8,000 样本、体系最大 370 原子，单个体系在单张现代 GPU 上可完成训练与评测——这是 MD22 相对更大规模数据集（如 OC20 动辄百万样本）的显著低门槛优势。

2.15 一个容易忽略的事实：轨迹的"时间"是不可逆的

MD22 的构型来自真实 MD 轨迹，帧与帧之间存在时间相关性（相邻帧高度相似）。若随机划分训练/测试集，会出现"训练帧与测试帧几乎相同"的数据泄漏风险。论文采用的时间切分（或忠实于原轨迹的划分）正是为避免此问题。使用者在自定义划分时，应优先按轨迹时间段切分，而非随机打乱——否则测试误差会被严重低估。这是分子轨迹数据集特有的坑，值得单独强调。

§3 从 MD17 到 MD22：为什么要做"大体系"基准

3.1 MD17 的成功与边界

2017 年 Chmiela 等发布 MD17（Machine learning of accurate energy-conserving molecular force fields, Science Advances 3(5):e1603015）与配套的 GDML 方法，把"用少量从头算数据学会分子势能面"变成可复现的基准。MD17 的 8 个分子（苯、甲苯、丙二醛、乙醇、天冬酰胺、水杨酸、偶氮苯、乙酰乙酸）都只有 9–21 个原子，训练样本约千级，此后成为等变神经网络势（SchNet、PaiNN、NequIP、MACE 等）的标准起点。

但 MD17 也暴露了两个结构性问题。其一是规模天花板：分子太小，模型只需刻画局部化学环境即可拟合，局域性假设的缺陷被掩盖。其二是数据质量争议：MD17 的部分参考数据被后续工作指出存在收敛性问题，催生了重新计算版 rMD17（2019）。MD22 从设计上正面回应第一点——它不追求"更多小分子"，而是刻意选择大体系，把"规模"这一维度单独拉出来做基准。

3.2 "规模、柔性、非局域性"三轴加难

MD22 相对 MD17 的升级沿三条轴展开：

• 规模（size）：原子数从 MD17 的 9–21 跳到 42–370。这是最直观的一轴，直接考验模型的可扩展性。
• 柔性（flexibility）：DHA 的长链多不饱和结构、Stachyose 的氢键网络、四肽的多二面角，都带来远大于刚性小分子的构象多样性。DHA 与 Stachyose 各需 8k 训练样本（占各自全量的 12% 与 29%），远高于 MD17 的千级——柔性直接转化为数据需求。
• 非局域性（non-locality）：这是 MD22 最核心的加难。双壁纳米管的内外管相对旋转、巴基球捕捉器"手指"的开合、核酸碱基的堆积，都是典型的非局域效应：某个原子的受力取决于整个分子的构型，而非局部邻域。论文用 sGDML 的"原子贡献分解"（Fig. 5）证明：在全局力场中，所有原子都参与每一次预测，环旋转引起的能量变化被离域到整个分子——这是任何局域模型在原理上做不到的。

3.3 与 rMD17 的区别

rMD17（revised MD17，2019）解决的是 MD17 的数据质量问题（用更严格收敛重新计算同一批小分子），体系规模与 MD17 相同。MD22 解决的是规模与表达力问题，体系换成了大分子。两者是正交的两个改进方向，不应相互替代：若研究"小分子高精度力场"，用 rMD17；若研究"大体系可扩展力场/非局域相互作用"，用 MD22。这也是本条目在检索与引用时必须与 MD17/rMD17 明确区分的原因（当前库内 md17/rmd17 均无条目，无法互链，见 §9）。

3.4 MD22 的"可扩展性"命题究竟是什么

"可扩展性"在这里有三层含义，值得分清：

1. 模型层面的可扩展：同一套方法能否从 42 原子推广到 370 原子而不失效。sGDML 的回答是"能"，代价是计算量随体系增长。
2. 数据层面的可扩展：训练样本需求是否随体系增大而爆炸。MD22 的观察是"不一定"——纳米管样本最少，说明可扩展性不必然以数据量为代价。
3. 物理层面的可扩展：模型能否保持对非局域效应的描述能力。这是最本质的一层，也是 MD22 用纳米管重点验证的内容。

三层中，第三层最容易被忽视，却决定了模型能否用于真实大体系。MD22 的设计正是把三层放在同一基准下考察。

§4 数据集的构造过程与可复现性

4.1 四步构造流水线

1. 体系选取与初始构型：为每个目标分子确定平衡态（最低能量）构型作为 MD 起点。这一步决定了参考轨迹的"化学正确性"——起点若偏离真实极小点，整条轨迹就有系统性偏差。
2. 从头算 MD 采样：用 i-PI 驱动 FHI-aims，在指定温度（400 或 500 K）与恒温器下跑分子动力学，1 fs 步长，输出逐帧的坐标、能量、受力。采样温度的选择兼顾"覆盖足够构象空间"与"不破坏分子"。
3. 标签计算：每帧的能量与受力均在同一 DFT-PBE+MBD 层级下计算，能量与受力自洽（受力为势能的负梯度）。这一点对力场训练至关重要——若能量与力来自不同层级，模型会学到矛盾的信号。
4. 划分与打包：按论文设定的训练集大小切分并打包为 .npz，供 sGDML 及后续方法直接加载。

4.2 为什么"能量-受力自洽"是硬要求

力场训练的一个隐含前提是：受力等于势能对坐标的负梯度（保守力场）。MD22 的能量与力由同一 DFT 计算在同一几何下导出，天然满足这一关系。作者特别强调，这是力场能"能量守恒"地跑长时间 MD 的基础——若力与能量不自洽，模拟会缓慢漂移甚至爆炸。论文用纳米秒级 PIMD 稳定性验证了这一点（§5.4）。

4.3 采样温度与基组的可复现口径

复现 MD22 或在其上做公平比较时，需固定三件事：温度（小体系 500 K / 两超分子 400 K）、基组（tight / light，见 §2.7）、划分（论文 Table I 的训练集大小与测试集）。任何一项偏离，误差数字就不再可比。论文的 Table I 训练集大小（600–8000）正是"在这些设定下达到力 RMSE ≈ 1"的最小规模，被后续大量工作沿用。

4.4 后续扩展与镜像

• ColabFit Exchange（2023）：把 7 个体系转为统一 Parquet schema 并各给独立 DOI（如 AT-AT-CG-CG → 10.60732/a87c6d4c，nanotube → 10.60732/fce214af），便于材料/分子数据统一加载。
• HuggingFace 二次分发（2024–2025）：出现多个镜像仓库（colabfit/* 系列、OneScience-Group/nanotube 等），双壁纳米管常被单独抽出用于碳纳米管力场训练（如 MACE 示例数据）。
• 论文附录 B 的 donor-bridge-acceptor 数据：属论文的附加演示（用 GFN2-xTB 半经验方法生成，非 DFT，见 §7.7），不属于 MD22 七体系，检索时勿混入。

4.5 复现检查清单

在报告"我在 MD22 上得到 X 精度"之前，逐项确认：

• [ ] 用的是哪个体系（拼写与论文一致）？
• [ ] 温度对齐了吗（500 K / 400 K）？
• [ ] 基组对齐了吗（tight / light）？
• [ ] 训练集大小用的是论文 Table I 的绝对值，还是自选的百分比？
• [ ] 划分是否按时间段（避免轨迹数据泄漏，§2.15）？
• [ ] 能量单位是 kcal/mol 还是 meV/atom？是否 per atom 归一？
• [ ] 力的单位与归一方式写清了吗？
• [ ] 是否报告了长时间 MD 的稳定性（而非只报单帧误差）？

缺任一项，结果就难以与他人对齐。这份清单来自本条目踩过的坑（§10）与论文报告口径。

§5 基准结果：sGDML 的七张成绩单

5.1 论文主表（Table I 全量）

论文用全局 sGDML 力场在 7 体系上给出能量与力的均值绝对误差（MAE）与均方根误差（RMSE）。能量误差为逐原子归一（per atom），力误差为逐分量归一（per component），单位为 kcal/mol（能量）与 kcal/mol/Å（力）：

体系	原子数	对称群阶 ‖G‖	训练样本	占全量%	E-MAE	F-MAE	E-RMSE	F-RMSE
Ac-Ala3-NHMe	42	18	6k	7%	0.0093	0.79	0.012	1.21
DHA	56	6	8k	12%	0.023	0.75	0.030	1.17
Stachyose	87	1	8k	29%	0.046	0.68	0.052	1.07
AT-AT	60	36	3k	15%	0.012	0.69	0.015	1.12
AT-AT-CG-CG	118	96	2k	20%	0.012	0.70	0.015	1.22
Buckyball catcher	148	48	600	10%	0.0079	0.68	0.0099	1.02
Double-walled nanotube	370	28	800	16%	0.0108	0.52	0.0135	0.97

5.2 怎么读这张表

• 力的误差高度一致：7 体系的 F-MAE 集中在 0.52–0.79 kcal/mol/Å，F-RMSE 集中在 0.97–1.22。论文明确说明训练集大小是按力 RMSE ≈ 1 kcal/mol/Å 反推的，所以"力误差都差不多"不是巧合，而是设计目标——真正变化的是达到这个目标所需的样本数。
• 纳米管力误差最低（0.52）但样本最少（800）：看似矛盾，实则合理。纳米管的原子多为等效碳环境、局部化学环境单调，模型更易学；但它的非局域性最强，需要全局模型才能同时满足"少样本 + 高精度"。这恰恰是全局 sGDML 的价值所在——如果用局域模型，纳米管的少样本高精度无法与长程效应共存。
• Stachyose 能量误差最高（0.046）且样本最多（8k）：四糖的氢键网络重排带来高柔性，需要更多样本，且能量误差随柔性和构型多样性上升。它占到了自身全量的 29%，是 7 个体系里"数据饥渴度"最高的。
• Ac-Ala3-NHMe 能量误差最低（0.0093）：四肽体系最小（42 原子）且构型覆盖充分，能量面相对平缓。
• 对称群阶 ‖G‖：反映每个体系可利用的置换对称性（如等价氢原子、甲基旋转）。AT-AT-CG-CG 的 ‖G‖ = 96 最高（碱基对内部大量对称重原子排布），Stachyose 的 ‖G‖ = 1 最低（四糖无内部对称），这也部分解释了 Stachyose 为何最难学——没有对称性可以利用来压缩模型自由度。

5.3 数据规模 vs 精度：论文的核心论断

论文最关键的一句话可以概括为：即便体系达到数百原子、训练样本只有几百到几千，全局模型仍可达到力 RMSE ≈ 1。这直接反驳了"大体系必须靠局域化近似"的既有观念——在此之前，人们对数百原子体系的主流做法是局域化（把能量拆成局部贡献），代价是丧失非局域描述能力；MD22 的表 I 表明这个代价并非必须付出。

论文还进一步测试了 sGDML 向更大训练集扩展的行为（附录 C）：在此之前，核方法力场在 MD17 上只能扩展到约 1k 训练点；本文展示了扩展到更大训练规模的可能性。这说明该方法是数据增益型——给更多数据，误差继续下降，而不是很快饱和。对实际应用的含义是：如果下游任务需要更高精度，用 MD22 的同一套流程增加采样即可，不必更换方法。

5.4 稳定性验证：纳米秒级 PIMD

论文对双壁碳纳米管（边缘饱和氢）跑了纳米秒级的经典 MD 与路径积分 MD（PIMD），这是数据集作为"力场试金石"的最硬证据：

• 温度恒定为 300 K，Langevin 恒温器，时间步长 0.2 fs（注意此处是仿真步长，与数据集采样的 1 fs 不同）。
• PIMD 使用 16 个 beads（16 条虚时间副本），用于刻画核量子效应（如零点能、质子隧穿）。
• 仿真时长：MD 约 500 ps、PIMD 约 100 ps（论文正文给出）。
• 结果：内外管相对旋转的 RMSD 随仿真时间呈现周期性峰——约 60 ps 出现第一个峰，此后约每 100 ps 一个，对应内外管相对旋转的周期性事件。

这一条为什么关键？因为力场再准，只要有一点系统误差，长时间模拟就会累积漂移，最终轨道发散、能量爆炸。能在 370 原子体系上稳定跑出纳米秒级 PIMD，并复现大尺度协同运动的周期性，才算真正跨越了"规模壁垒"。论文还指出一个细节：单靠原子索引计算 RMSD 会低估内外管的真实相对运动，因为内外管可独立旋转导致原子配对关系改变——必须用旋转不变的度量才能正确刻画，这也侧面说明非局域效应需要专门的分析工具。

5.5 后续方法在 MD22 上的表现（生态基线）

MD22 已成为第三方力场的必测集。典型报告（来自后续论文，非 MD22 原始论文）：

• EScAIP（arXiv 2410.24169）：15M 参数模型，采用 95:5 训练/测试划分，对每个训练样本做 16 次随机旋转的数据增广；报告能量（meV/atom）与力（meV/Å）MAE，并额外跑 200,000 步（100 ps）500 K Langevin 仿真，用径向分布函数 h® 的误差评估仿真稳定性（即"模型跑出的 MD 是否复现了参考数据的结构分布"）。这与 MD22 原论文的 PIMD 验证思路一脉相承。
• MACE、VisNet-LSRM 等亦在 MD22 上对标 sGDML；后续工作指出 VisNet-LSRM 的数值在 MACE 论文与其原论文间存在差异（同一结果被两个数值口径报告），跨论文比较时需核对口径。
• 这些第三方结果的存在，使 MD22 从"一个实验室的基准"升级为"领域公共基准"，也是它被广泛引用（Google Scholar 约 275+ 次）的原因。

5.6 误差与体系特征的关联（方法学解读）

把 Table I 与 Table SII 连起来读，可以发现几条规律：

1. 样本需求与柔性正相关：DHA（6 个双键，高柔性）与 Stachyose（密集氢键网络）都需要 8k 样本，而刚性更强的超分子只需 600–800。
2. 样本需求与化学多样性正相关：含 N、O 等异原子的体系（四肽、糖、碱基对）需要上千样本，而纯碳体系（捕捉器、纳米管）几百即可。
3. 对称性降低数据需求：‖G‖ 高的体系（如 AT-AT-CG-CG 的 96）能用更少样本达到同精度，因为对称性提供了额外的归纳偏置。
4. 能量误差与力误差不同源：能量 MAE 在 0.0079–0.046 间波动（约 6 倍差距），力 MAE 只在 0.52–0.79 间波动（约 1.5 倍差距）——因为训练目标是力（RMSE≈1），能量是"副产品"，其误差更受体系能量尺度影响。这提示：想优化能量精度，需要单独设计训练目标，不能指望力精度自动带来能量精度。

§6 获取与许可：CC0-1.0 的公共领域数据

6.1 许可（License）

• CC0-1.0（Creative Commons Zero v1.0 Universal）：贡献者放弃全部著作权及相关权利，数据进入公共领域。可自由复制、修改、分发、商用，无需署名、无需保留许可声明（ColabFit 各子数据集页与 sgdml.org 均标注 CC0-1.0）。
• 这是本库中许可最宽松的条目之一。相比许多医学数据集常见的"CC BY-NC（禁商用）"“申请制”"仅限学术"等限制，MD22 的 CC0 让它在工业界与开源模型训练中的可用性极高。
• 注意：CC0 只覆盖数据集本身。论文文本（Science Advances）另有期刊版权（Science Advances 采用 CC BY 或类似开放获取条款，具体以期刊页为准）；引用时区分"数据许可"与"文本许可"。

6.2 获取途径

途径	形态	说明
sgdml.org（原始）	.npz	论文指定的官方渠道，免注册直下；直链形态 https://www.quantum-machine.org/gdml/repo/datasets/md22_<system>.npz
ColabFit Exchange（镜像）	Parquet	2023 收录 7 个子数据集，各带独立 DOI（10.60732/*），统一 schema 便于跨数据集加载
HuggingFace（二次分发）	Parquet / XYZ	colabfit/* 系列、OneScience-Group/nanotube 等镜像（注意：HF 主站在部分环境需走 hf-mirror.com 镜像站）

6.3 下载直链与体积实测

• 官方直链命名规律：md22_<system>.npz，系统名为下划线小写形式。
• 实测（2026-10-16）：md22_double-walled_nanotube.npz 返回 HTTP 200 且 Content-Type 为 application/octet-stream，Content-Length = 85,745,429 字节。这是全集最大单文件。
• 7 个子集需分别下载（无单一"打包全部"文件），总计体积需按各体系规模估算——大体系（纳米管、捕捉器）占绝大部分。

6.4 版本链

原始 npz（2022 论文发布）→ ColabFit Parquet 镜像（2023-10-07 收录）→ HuggingFace 各二次分发仓库（2024–2025 持续更新）。使用时应注明用的是哪一版——原始 npz 与 ColabFit Parquet 在字段命名与切片方式上有差异（见坑 6），划分索引也可能不一致。

6.5 加载示例（伪代码）

# 原始 npz（sgdml.org）
import numpy as np
data = np.load("md22_double-walled_nanotube.npz")   # 含坐标/能量/力/划分
# 具体字段名以实际文件为准（不同体系/版本可能略有差异）

# ColabFit 镜像（Parquet）
# 读取 ds.parquet 获取汇总信息，co/ 目录逐构型读取结构+性质+元数据

论文明确声明：数据集、预训练力场模型与软件全部在 www.sgdml.org 提供（原文 Data, model and software availability：“All datasets, pre-trained FF models and software used in this work are available at www.sgdml.org.”）。

6.6 无附加条款

与许多数据集附带"使用需引用""禁止再识别"等条款不同，MD22 因 CC0 而无任何附加使用条款。唯一的社会约定是学术惯例上的引用（鼓励但不强制）。这对自动化管线尤其友好——无需记录版本许可状态、无需在分发时附许可文件。

§6.7 复现与上手路线图

给想直接动手的读者的最短路径：

第 0 步：确定你要复现什么。

• 只想跑通一个力场 → 从最小的 Ac-Ala3-NHMe（42 原子、85,109 构型）开始。
• 想评测"模型能否扩展到数百原子" → 用全部 7 体系，重点看纳米管。
• 想做公平的跨方法比较 → 严格对齐论文 Table I 的划分与 Table SI 的温度/基组。

第 1 步：取数据。
访问 www.sgdml.org，按体系下载对应 .npz；或走 ColabFit Exchange 取 Parquet 镜像。注意单个最大文件约 85.7 MB（纳米管），小体系小得多，可先下小体系试通管线。

第 2 步：确认口径。
在动手前把三件事写进实验记录：温度（小体系 500 K / 超分子 400 K）、基组（tight / light）、划分（Table I 的训练集大小与测试集）。三件事任一未对齐，误差数字就不可比（坑 5、坑 10）。

第 3 步：建立基线。
论文的 sGDML 结果（Table I）就是基线。如果你的模型在 Ac-Ala3-NHMe 上力 MAE 显著高于 0.79 kcal/mol/Å，先检查数据加载与划分是否正确，再怀疑模型。

第 4 步：验证稳定性（关键，别跳过）。
单帧误差达标不等于力场可用。至少要跑一次几百皮秒的 MD，检查能量是否守恒（无系统性漂移）、结构是否崩塌。论文对纳米管的纳米秒级 PIMD 验证就是这个环节的黄金标准（§5.4）。

第 5 步：报告口径。
报告结果时写清：体系名（用论文拼写）、划分、单位（kcal/mol 还是 meV/atom）、是否 per atom 归一、是否做数据增广。缺少任一项，读者无法与你的数字对齐（坑 8）。

§7 生态与影响

7.1 在 MLFF 谱系中的位置

MD22 与 MD17（2017）、rMD17（2019）构成"小分子 → 修正版 → 大体系"的三代基准链。它被后续几乎所有主流等变神经网络势（MACE、NequIP、Allegro、PaiNN、EScAIP 等）纳入评测矩阵，成为衡量"模型能否扩展到数百原子"的事实标准。论文提出的全局 sGDML 思路，也影响了一批"非局域/长程力场"的研究方向。

7.2 对"局域化 vs 全局"这一核心争论的贡献

机器学习力场领域长期存在一个张力：局域化模型（如基于原子环境的消息传递网络）计算高效、可扩展到极大体系，但从原理上无法捕捉长程效应；全局模型（如 sGDML）表达力强、能刻画长程效应，但计算代价随体系规模平方增长。MD22 的贡献是用受控实验把这场争论定量化：它提供了"非局域性从弱到强"的体系梯度，并给出全局模型在每个梯度点上的成绩。后续任何"我的局域模型能否替代全局模型"的主张，都可以拿 MD22 作为判据。这就是它作为基准的深层价值——不只是刷分，而是裁决方法论。

7.3 引用的学科外溢

除计算化学与材料外，MD22 的体系选择（蛋白质片段、DNA 碱基对、糖类）使其在生物分子模拟社群中被讨论：分子力学力场（AMBER、CHARMM 等经典力场）与机器学习力场的对比研究，常以 MD22 的肽/核酸/糖体系为交集。这为医数集条目与生物分子类条目的互链提供了理由（见 §9）——尽管 MD22 本身不含临床数据，它是"分子层面的生物医学"。

7.4 教育与复现价值

MD22 常被用作教学与入门基准：7 个体系规模梯度清晰、CC0 无门槛、论文表格完备，适合作为"从头实现一个力场模型"的练手数据集。它的规模也让个人研究者可在单卡 GPU 上完成全部 7 体系的训练与评测，这在动辄需要大规模集群的数据集时代是难得的低门槛。

7.5 与相邻数据集的区分

• MD17 / rMD17：小分子（9–21 原子）、8 分子；MD22 是大分子（42–370 原子）、7 体系。世代关系而非同一资源。
• QM9（库内 rid=105）：静态分子（几何优化态）的多种量子化学性质（含 HOMO/LUMO、偶极矩等），13.4 万分子；MD22 是动态轨迹的势能与力。
• WS22 / xxMD：WS22（约 118 万构型、10 个有机小分子、含激发态）与 xxMD（激发态非绝热耦合）与 MD22 同属"分子 ML 基准"但侧重不同——前者侧重电子激发态，后者侧重基态势能面的大体系可扩展性。
• ANI-1x：以稠密采样著称的有机分子数据集（含 CHNO 的百万级构型），与 MD22 的区别在于体系规模与采样物理（ANI 偏量子化学扫描，MD22 是真实 MD 轨迹）。

7.6 常见误用

• 把 MD22 当临床/影像数据集检索：它没有任何人类数据，纯计算化学。
• 把 7 个体系当成 7 个独立数据集分别引用：它们属于同一基准集，Sum 口径为 323,422 构型；若只用单个体系（如纳米管），应注明"MD22 子集"。
• 把论文附录 B 的 donor-bridge-acceptor 数据算作 MD22 第 8 个体系：该数据用半经验 GFN2-xTB 生成，非 MD22 DFT 体系，不属七体系（坑 7）。
• 用 kcal/mol 与 meV/atom 数字直接比较：不同论文的能量单位与归一方式不同，见 §5.5 与坑 8。

7.7 附录 B 的澄清

论文附录 B 另有一套 donor-bridge-acceptor（4-二甲氨基-4′-硝基二苯乙烯）数据，用于演示 sGDML 的原子贡献分解（论文 Fig. 5）。它由 300 K 正态模采样（normal mode sampling）生成，能量与力用半经验 GFN2-xTB 方法计算——与 MD22 的 DFT-PBE+MBD 不同层级。因此它不是 MD22 的组成部分，检索与引用时须严格区分。这个演示的目在于展示：在全局力场中，环旋转引起的能量变化会被"离域"到整个分子，所有原子都参与每一次预测——这是局域模型无法呈现的行为。

7.8 非局域相互作用：为什么它是本数据集的"灵魂"

要理解 MD22 为什么值得单独建条目，必须理解"非局域相互作用"在分子模拟里的分量。

什么是非局域相互作用。 在分子中，绝大多数化学直觉是局域的：一个碳原子的性质主要由它的几个近邻决定，这就是局域性假设的物理基础，也是几乎所有现代机器学习势（消息传递神经网络等）的设计前提——它们把总能量拆成每个原子的贡献，每个原子只"看"一个有限半径内的邻居。但有一类效应天生不局域：范德华/色散力的作用距离远超共价键（可达数十埃）；长链分子的整体形变、超分子的整体旋转、蛋白骨架的协同运动，都无法归给任何单个局部环境。

MD22 如何暴露它。 在双壁纳米管里，内管与外管相对旋转时，每个原子的受力都会改变，尽管它们的局部近邻（如三个碳原子的键角）几乎没有变化。这是纯粹的全局效应：只有"看到整个双壁结构"的模型才能预测这种力的变化。论文用 sGDML 的原子贡献分解可视化证明：全局力场把这次旋转的能量变化"摊"到所有原子上——正是这种"摊派"能力让它能描述非局域效应。

为什么重要。 大量真实体系（蛋白-配体结合、层状材料、分子晶体）依赖非局域效应。如果基准只在局域体系上衡量模型，就会系统性地奖励那些"看不见"长程效应的架构。MD22 的价值在于把"非局域性"作为一整个维度加进评测，迫使社区面对这一盲区。

7.9 数据集的三重用途

用途一：训练。 作为 DFT 级参考数据，直接训练力场（sGDML、MACE 等）。7 体系的规模梯度让训练者可选择合适复杂度。

用途二：评测。 作为第三方方法的公共测试集，报告能量/力误差与仿真稳定性。"在 MD22 上表现如何"已成为力场论文的常规卖点。

用途三：方法学教育。 作为"如何设计基准"的范本：它的体系选择（化学多样性 + 规模梯度 + 非局域梯度）、标签自洽（能量-力同源）、验证充分（长时 PIMD）三条，是任何基准数据集设计都可借鉴的模板。本条目 §8 即从它提炼了五条可迁移经验。

7.10 与医学数据的类比（写给本库读者）

MD22 虽非医学数据，但它与医学数据集共享一个根本问题：如何设计能暴露模型真实短板的评测。医学影像基准常只测"同分布精度"，掩盖了跨机构、跨设备的泛化缺陷；MD22 则用刻意设计的体系梯度暴露"局域性假设"的缺陷。两者是同一种方法论意识的产物——好的基准不是最容易刷分的那个，而是最能揭示失败模式的那些。这是 MD22 对本库读者的最大启发。

7.11 一个常见困惑：为什么"能量"不是主角

初学者常问：既然叫"力场"，为什么不重点报告能量精度？答案在 §5.2 已述——论文的训练目标就是力（力 RMSE≈1），能量是被动报告的副产品。物理上，力是势能的梯度，对局部几何变化更敏感；对训练而言，力提供了"每个原子每个方向"的密集监督，而能量只有一个标量，监督信号稀疏得多。因此"以力为主"是力场训练的通行做法，这也是理解 MD22 标签体系的关键。

5.7 一篇"怎么用这张表"的实操说明

假设你要评一个自研力场，流程如下：

第一步：选参照点。 如果你的体系是同类（如肽或糖），直接对标表 I 中对应行的 F-MAE。例如你的模型在 Ac-Ala3-NHMe 上力 MAE 0.60，优于 sGDML 的 0.79，属合理进步；若达 0.30 则需警惕数据泄漏（§2.15）。

第二步：对齐训练量。 表 I 的样本数是"达到 RMSE≈1 所需"，你的模型若用更多样本（如 8k 而论文用 6k），比较时须注明，否则不公平。理想做法是用与论文相同的样本数，或同时报告"等样本"与"全量"两档。

第三步：报告完整指标。 至少给力 MAE 与 RMSE 两个数（MAE 抗离群，RMSE 惩罚大错），并注明是否 per component 归一。能量的数同样给 MAE 与 RMSE。

第四步：加稳定性验证。 单帧指标之外，跑一段 MD（哪怕 100 ps），报告能量守恒曲线与结构是否合理。这是从"拟合得好"到"能用"的门槛。

第五步：注明口径。 划分、温度、基组、单位、增广——五项写全。

这套流程并非 MD22 特有，而是分子 ML 领域的通行规范；MD22 的价值在于它把每一环都有明确的基准数字可对照，这正是"好基准"的标志。

5.8 表 I 之外：论文的其他关键图

论文除表 I 外，还有若干关键图示，理解它们有助于完整把握数据集：

• 图 1：全局力场与局域力场的能力对比示意，点明"规模 vs 精度"的问题设定。
• 图 5：在 donor-bridge-acceptor 分子上的原子贡献分解，展示全局力场如何把能量变化离域到所有原子（该分子属附录 B，非 MD22 体系，见 §7.7）。
• 图 6：双壁纳米管内外管相对旋转的 RMSD 随仿真时间曲线，展示周期性旋转事件（PIMD 验证的核心证据）。
• 图 S2：能量随仿真时间的累计曲线，用于确认长时间模拟无系统性漂移。

这些图与表一起构成"数据集—方法—验证"的完整证据链。引用时若只报表 I 而忽略图 6/S2，会遗漏"稳定性"这一层结论。

6.8 各获取途径的优劣对比

维度	sgdml.org 原始 .npz	ColabFit Parquet	HF 二次分发
权威性	最高（论文指定）	高（策展平台）	中（第三方）
格式	NumPy .npz	Parquet	Parquet / XYZ
单体系 DOI	无（随论文）	有（10.60732/*）	视仓库而定
字段规范	论文/官方代码约定	统一 schema	视仓库而定
元数据	论文表	ColabFit 页	README
更新时点	2022	2023-10-07	2024–2025
适合场景	手写 sGDML 复现	跨数据集加载	特定子集快速取用
许可	CC0-1.0	CC0-1.0	随原数据 CC0-1.0

选用建议：复现论文数字 → 用 sgdml.org 原始 .npz；做大数据管线/跨数据集训练 → 用 ColabFit Parquet；只要纳米管子集 → 可用 HF 镜像但要核对许可与字段。

6.9 关于"数据可用性"声明的原文口径

论文的 Data, model and software availability 一节只写了一句：“All datasets, pre-trained FF models and software used in this work are available at www.sgdml.org.”。这意味着：

• 数据集：7 个体系的 reference data 在官网。
• 预训练模型：论文训练好的 sGDML 力场也在官网（“pre-trained FF models”），可直接加载使用，无需自己训练。
• 软件：sGDML 代码本身也公开（附链接）。

这一点对使用者极有价值：你不必从头训练——可以先下载预训练力场，直接跑 MD，快速验证管线，再决定是否自训。这是本数据集"低门槛"的又一体现在。

6.10 许可的边界澄清

CC0-1.0 覆盖的是数据集与预训练模型。使用时仍建议注意：

• 论文文本：Science Advances 的正文另有期刊版权与开放获取条款，引用文献时遵循学术规范。
• 衍生作品：因 CC0 无署名要求，你训练的模型、发表的衍生数据无需标注来源；但学术惯例鼓励注明，以保证可追溯。
• 第三方镜像：HF 上的二次分发由第三方维护，其 README 可能添加额外声明；严格来说，署名要求不能违背原 CC0（CC0 不可附加限制），但为稳妥，使用镜像时仍应回指原始 sgdml.org。

7.12 数据集在"AI for Science"浪潮中的位置

MD22 是"AI for Science"在分子模拟领域的标志性数据之一。2022–2023 年正值等变神经网络势爆发期（NequIP、MACE、Allegro 等相继出现），而力场研究的共同瓶颈是"能否处理真实规模体系"。MD22 恰在此时提供了 42–370 原子的评测梯度，成为衡量这些新架构是否"走出玩具问题"的标尺。它的高引用量（约 275+）中有相当部分来自等变势论文的标准评测章节。

从这个角度看，MD22 的贡献不只是数据本身，而是它定义了"大体系力场"的可比口径——训练集大小按精度反推（§12 追问 2）、报告 MAE 与 RMSE（§5.7）、加稳定性验证（§5.4）。这些口径被后续工作广泛继承，形成了领域的事实标准。

7.13 对基准设计的三点启发（写给数据集建设者）

1. 对照设计胜过堆量：MD22 只有 7 个体系，却因三对对照（§2.10）而能隔离变量。相比"多加 10 个同质体系"，精心设计的对照对信息量更大。
2. 标签自洽是底线：能量-力同源（§4.2）。基准若在这一点上含糊，所有下游结论都不牢。
3. 验证要触达闭环：不测单帧误差，还要测长时模拟稳定性（§5.4）。这是区分"拟合好"与"可用"的分水岭。

这三条对医学数据集同样适用：对照设计（跨机构/跨设备）、标签一致性（标注协议统一）、闭环验证（部署后性能漂移监测）。

§8 方法学启示：五条可迁移的经验

8.1 规模是独立于精度的评测维度

MD17 时代大家比的是"同样小分子上谁的误差低"，MD22 把"能做到多大"变成一等公民。这对任何数据驱动领域都成立：当模型在某规模以下都能刷到饱和精度时，真正的区分度来自规模边界——医学影像的 3D 体积、基因组的长序列、EHR 的长时序，都是同一逻辑。选基准时，要先问"这个基准有没有把规模轴单独拉出来"。MD22 的做法（同化学种类、不同规模的 AT-AT 对照对）尤其值得学习：它把"规模"从"化学种类"里干净地隔离出来，使规模效应可被单独测量。

8.2 能量-受力自洽是物理约束数据的基本卫生

MD22 的每个构型能量与力来自同一次 DFT 计算，保证力 = 势能的负梯度（保守力场）。若数据集把不同来源的能量与力混装，模型会学到矛盾信号，长时间模拟必然发散。迁移到其他领域：任何"目标-约束"配对的数据集（如时序预测的观测与守恒量、结构预测的能量与几何），都要检查配对的自洽性。这是"数据卫生"中最容易被忽视、后果最严重的一条。

8.3 非局域性需要"全局模型"而非"更大窗口"

MD22 的核心发现是：在双壁纳米管这样的体系上，局域化假设从原理上无法描述内外管协同旋转这类效应——你无法靠"扩大局部邻域窗口"解决，必须让模型保留全局自由度关联。这提示了一类常见误区：以为"加深网络/加长感受野"能替代"改变建模假设"。在长程依赖场景（长文档、长序列、大分子），建模假设的层次比容量更重要。判断信号：如果某个效应需要"看到整个系统"才能预测，那么任何有固定感受野的模型都有原理上限。

8.4 数据需求由"复杂度"而非"规模"决定

§2.8 的观察可推广为一条原则：决定需要多少训练数据的是化学/构象/任务的复杂度，而非体系的绝对大小。纳米管 370 原子只要 800 样本，四糖 87 原子却要 8k——规模大不等于难学。实践含义：在规划数据采集预算时，先评估"多样性"（有多少种本质不同构型）与"对称性"（有多少可利用的等价关系），而不是先看体系有多大。

8.5 稳定性必须用长时间模拟验证，而非只报单帧误差

MD22 不只报单帧的能量/力误差，还跑纳米秒级 MD/PIMD 验证。这是"力场质量"的更高标准：单帧误差小不代表长时间模拟稳定，误差会累积成漂移。任何"预测-决策"闭环的模型（分子模拟、机器人控制、气候预测）都应采纳这一原则——评价指标要包含"闭环长时运行是否发散"，而不仅是"单步预测是否准"。

§9 与库内条目的关系

9.1 可互链条目（DB 实查 status=1 AND del_sign=0）

条目	rid	关联性质	互链建议
QM9	105	同为量子化学/分子 ML 基准数据集；QM9 是静态小分子的多性质集，MD22 是动态大体系的力场集	强烈建议互链（"分子 ML 基准"谱系的相邻世代）
ProteinGym	813	蛋白质突变适应度大规模基准，同属生物分子 ML 基准	建议互链（生物分子 ML 基准）
Human Protein Atlas	404	人类蛋白质图谱，生物大分子域	弱关联互链（蛋白质域）
DrugTargetCommons	1080	社区众包的药物-靶点生物活性开放知识库	弱关联（药物发现与化学域）
DrugBank	89（另有 571 疑重号）	药物数据库	弱关联；注意 89/571 重号，引用前核实

9.2 无法互链但需在文中区分的条目

• MD17 / rMD17：DB 实查 0 rows，writing/ 目录亦无——均不在库。因此按 R018 纪律，正文 relatedLink 不填 MD17/rMD17 的任何 rid（禁猜），仅在正文文字中作概念对照（§3、§7.5）。
• WS22、xxMD、ANI-1x：库内检索均未命中，不互链。

9.3 互链的语义建议

若主会话在入库后回填 relatedLink，建议按以下语义组织（URL 一律 https://www.qianfanghub.com/ai-ready-dataset/<slug>/<rid>）：

• md22 ↔ qm9（105）：横向（同为分子 ML 基准的不同世代）。
• md22 → proteingym（813）：纵向（分子层面 → 蛋白功能层面）。
• md22 → human-protein-atlas（404）：纵向（分子 → 蛋白图谱）。

注意（R012/R018 纪律）：relatedLink 只允许纯 URL 字符串，禁止写任何中文说明（如"同域不同团队"）；所有消歧语义一律写在本正文 §9 中。

9.4 检索词与消歧

• 正检索词：“MD22”（精确）+ “machine learning force field” / “sGDML” / “Chmiela”。
• 反例（勿用）：“MD-22”（易与武器型号混淆）；单独 “MD17”（指向前身而非本数据集）；把论文附录 B 的 donor-bridge-acceptor 当作 MD22 体系名。
• 消歧要点：MD22 是本条目的唯一具名基准；论文题名 Accurate global machine learning force fields for molecules with hundreds of atoms 与数据集名 MD22 的对应关系需在检索时一并核对（很多引用只写论文题名，不写 MD22）。若检索结果出现 “MD22” 同时指向武器、汽车或其他编号，须用 “force field” / “sGDML” / “Chmiela” 三个词联合锁定。

§10 避坑清单：十个已踩过的坑

坑 1：任务头给的 arXiv 编号是错的。任务头记 MD22 预印本为 arXiv:2205.09566，一手核验（arXiv abs 页实抓）显示该编号对应 Ronaldo Freire de Lima 的微分几何论文 Weingarten Flows in Riemannian Manifolds（math.DG，2022-05-19 投稿），与 MD22 毫无关系。MD22 的正确预印本编号是 arXiv:2209.14865（physics.chem-ph，2022-09-29 v1 / 2022-11-14 v3），其作者与摘要与期刊版完全一致。全文按 2209.14865 成稿；引用时务必核对。

坑 2：论文年份/卷期双口径。期刊版为 Science Advances 2023-01-11, 9(2):eadf0873；预印本首投为 2022 年 9 月。有的引用写 2022（按预印本），有的写 2023（按期刊版）。以期刊版 2023 为准，引预印本时注明 arXiv 版本。

坑 3：总构型数需自行求和，无官方单一数字。MD22 官方未给全集总构型数，只给逐体系 Size（Table SII）。本条目按 7 项求和得 323,422（并注明系自算）。ColabFit 只给子集构型数（与 Table SII 逐项一致），未给总数。自动化抓取时不要假设存在一个"官方总数"字段。

坑 4：总原子数口径易混。“Num. Atoms” 在 ColabFit 与本文自算中均为 “原子数 × 构型数” 口径（如纳米管 370×5032 = 1,861,840），而非"唯一原子数"。本条目全集取 23,716,460（Σ 原子数×构型数）。若误按"7 体系原子数之和 = 881"引用，会完全失真（881 是单构型的原子总数，无实际意义）。

坑 5：温度与基组不是全局统一。小体系 500 K / tight，两超分子 400 K / light（Table SI）。跨体系比较精度时，温度与基组差异是隐藏变量；复现实验必须逐体系对齐 Table SI 设定。

坑 6：原始 npz 与 ColabFit Parquet 字段不一致。sgdml.org 的 .npz 与 ColabFit 的 ds.parquet + co/ 结构在字段命名、切片方式、划分索引上均有差异。混用两版数据做训练/评测前，先核对字段映射，否则划分可能对不上，误差不可比。

坑 7：别把论文附录 B 的数据算进 MD22。附录 B 的 donor-bridge-acceptor 数据用半经验 GFN2-xTB 生成、300 K 正态模采样，属论文演示而非 MD22 七体系。它有独立于 MD22 DFT 体系的物理层级，混算会污染"MD22 = 7 体系"的定义。

坑 8：第三方结果的数值口径冲突。后续论文在 MD22 上报告的同一方法（如 VisNet-LSRM）存在数值差异——已发现 MACE 论文与 VisNet-LSRM 原论文给出的数值不一致，相关后续工作同时列出两个口径。跨论文比较时必须核对：划分比例（如 95:5）、数据增广（如 16× 旋转）、能量单位（kcal/mol vs meV/atom）、是否 per atom 归一。

坑 9：体系名拼写有官方/镜像两版。论文与 sgdml.org 用 Ac-Ala3-NHMe、AT-AT、Buckyball catcher、Double-walled nanotube；ColabFit 转写为下划线小写（Ac_Ala3_NHMe、AT_AT、buckyball_catcher、double_walled_nanotube）。用脚本按名匹配文件时会因拼写差异漏配，建议按 ColabFit ID 或 DOI 匹配。

坑 10：训练集划分不是固定比例。Table I 的 “# train.” 是绝对值（600–8000），而 “% data” 是它占该体系全量的比例（7%–29%），两者不是同一件事。若误以为"所有体系都取同样的百分比"，会算错训练集大小。且论文后续评测者常用 95:5 等其他划分（如 EScAIP），复现时必须先确认划分口径。

§11 总结

MD22 是机器学习力场领域"可扩展性"这一命题的正面回答。它用 7 个 42–370 原子的生物相关分子体系、32 万余个 DFT-PBE+MBD 级别的 MD 构型，证明全局力场无需局域化近似即可处理数百原子体系；随论文提出的全局 sGDML 方法在 7 体系上均达到力 RMSE ≈ 1 kcal/mol/Å，并用纳米秒级 PIMD 验证了大体系模拟的稳定性。

它的三重身份值得记住：作为数据，它是 CC0-1.0 公共领域的开放力场基准；作为方法论文，它给出全局 sGDML 的迭代训练方案；作为基准，它的 Table I 是"多大规模、多少样本、什么精度"的直接参照表。它虽不含任何临床数据（patient_tags：不适用），却是"分子 ML 基准"谱系中与 QM9（rid=105）并列的坐标原点，也是理解"规模、柔性、非局域性"这三条基准设计轴的教科书样本。

对本库读者而言，MD22 的价值有三：一是作为"量子化学/分子性质预测"域（category_tags）的补齐；二是作为"生物大分子"与"药物发现"条目（ProteinGym、Human Protein Atlas、DrugTargetCommons）之间的分子层面锚点；三是作为一个"如何设计好基准"的范本——它的体系选择、标签自洽、长时验证三条，都可迁移到医学数据集的设计中。

§12 深度问答：来自使用者视角的追问

本节收录在阅读 MD22 时最容易被追问的若干深问题，均基于论文一手信息作答。

追问 1：为什么用 PBE 而不上 CCSD(T)？
CCSD(T) 是公认的高精度参考，但代价随体系规模急剧上升（对 370 原子不可行）。MD22 的目标是"数百原子、数万构型"的轨迹数据，必须在精度与可行性间取舍。PBE+MBD 是这一规模下的现实选择：PBE 处理共价/静电，MBD 补上色散。代价是 PBE 对某些强关联/电荷转移体系有已知误差，因此论文在报告精度时给出的是"与该方法层级自洽"的误差，而非与实验/CCSD(T) 的差距。引用时须注意：MD22 的"精度"衡量的是模型对 DFT-PBE+MBD 参考的拟合程度，不是对真实物理的绝对精度。

追问 2：为什么训练集大小按"力 RMSE≈1"来确定，而不是固定比例？
固定比例（如 90:10）在不同体系上会得到差异巨大的绝对精度——小体系可能过学、大体系可能欠学。以"达到某精度所需的最小样本"反推训练集，能让 7 个体系处于可比的"学习难度"坐标下，使表 I 的 ‖G‖、样本数、误差三列可横向比较。这是一个刻意的公平化设计。

追问 3：为什么两个超分子用 light 基组、且温度更低？
light 基组是为了让 370 原子体系的每帧计算可行（tight 会显著加价）。温度降到 400 K 部分是为了控制采样成本与稳定性——大体系在高温下形变更剧烈，可能需要更多帧才能覆盖，也可能带来数值稳定性问题。这两项设定是"规模换可行性"的工程折中，代价是超分子与其余体系的基组/温度不完全一致（坑 5）。

追问 4：为什么双壁纳米管要专门做 PIMD？
PIMD（路径积分 MD）纳入核量子效应，能刻画零点能与质子/轻原子隧穿。对碳纳米管这类含大量 C–H 键的体系，核量子效应会影响键长与振动，进而影响整体运动。论文用 PIMD 是对"力场能否在含核量子效应的长时间模拟下稳定"的更强验证。它是本数据集中在仿真层面做得最深的一段。

追问 5：sGDML 是"参数无关"的吗？
论文称全局 sGDML 为"exact iterative parameter-free approach"。这里的"参数无关"指它不依赖超参数搜索来适配体系（区别于需要调网络宽度/深度/截断半径的神经网络势），其行为由核方法与对称性约束确定。这与"是否需要训练集"不矛盾——仍需参考数据，但模型的归纳偏置是物理/对称性导出的，而非数据调出来的。

追问 6：MD22 能替代 MD17 吗？
不能，也不应。MD17 的分子小、精度高、文献结果密集，仍是小分子力场的标准练手与对比赛道；MD22 面向大体系与可扩展性。二者是不同"考察科目"，很多论文两个都报。把 MD22 当作 MD17 的替代会导致"小分子能做好、大分子做不好"的能力盲区被掩盖（反之亦然）。

追问 7：非局域效应真的无法用局域模型近似吗？
并非绝对——若把截断半径放到足够大、或引入显式的长程项（如色散矫正、静电求和），局域模型也能部分捕捉。MD22 的论断是更精确的：在不做任何显式长程建模、且让模型靠纯局部环境的架构里，非局域效应会在原理上被漏掉。它衡量的是"架构假设"的代价，而非否定工程变通的可能性。

追问 8：为什么数据集叫"benchmark"而不是"database"？
"基准"强调它被设计用于比较方法（有固定划分、有基准方法、有报告口径），而"数据库"强调汇集与检索。MD22 两者兼具——它既是可下载的数据库，也是预设了比较规则的基准。理解这一点有助于正确使用：引用它的数字时要遵循它的比较口径，而非随意重划数据。

§13 结语：一句话概括

MD22 把"机器学习力场能做到多大"从口号变成可测量的坐标——7 个 42–370 原子的生物分子体系、32 万余个 DFT-PBE+MBD 构型、CC0-1.0 公共领域开放，配一套力 RMSE≈1 kcal/mol/Å 的全局 sGDML 基准。它是分子 ML 基准谱系中与 QM9 并列的坐标原点，也是"如何设计好基准"的范本。

§14 附：本条目写作与核验说明

本条目由 agent-e-md22 于 2026-10-16 撰写。核验路径与要点：

1. 开工三查：writing/md22/.lock 不存在 → 由本代理创建独占；ps aux | grep -c "[c]odebuddy" = 4；dedup_gate.py md22 唯一 HIT 为"候选池状态 dispatched"（自派发，按约定排除），DB 与 writing/ 通道均 CLEAN。
2. 存在性核验：三源互证——论文（arXiv/Science Advances）、官网（sgdml.org）、镜像（ColabFit Exchange / HF）；下载直链经 curl 实测 200 与体积。
3. 一手数据：论文 PDF（arXiv:2209.14865v3）本机提取全文 64,651 字符，Table I / Table SI / Table SII 逐字段落照。
4. 重要纠错：任务头 arXiv 编号 2205.09566 经核验为错误（实为微分几何论文），正文按正确编号 2209.14865 成稿（坑 1）。
5. 双口径存照：总构型数（自算 323,422）、总原子-帧（自算 23,716,460）、体系名拼写（论文 vs ColabFit 转写）、温度区间（摘要 400–500 K vs Table SI 确定值）逐条记录于 FACTS.md §9。
6. 互链纪律：relatedLink 只填库内真实 rid（QM9=105 等），MD17/rMD17 因不在库不填（R012/R018）。

§15 数据质量与局限性的独立评估

本节以独立视角评估 MD22 的强项与局限，供使用者在选型时权衡。

15.1 强项

1. 物理正确性强：能量-受力同源自洽（§4.2），保证保守力场，长时间模拟稳定。
2. 体系覆盖精心：四大类生物分子 + 超分子，且有刻意的对照对（§2.10），便于隔离变量。
3. 许可最宽松：CC0-1.0 公共领域，商用无阻（§6.1）。
4. 验证充分：不只报单帧误差，还有纳米秒级 PIMD（§5.4）。
5. 低门槛：体系最大 370 原子、训练集 600–8,000，单卡可跑。
6. 官方配套齐全：数据 + 预训练模型 + 软件三件套齐备（§6.9）。

15.2 局限

1. 理论层级有限：PBE+MBD 是半经验精度级别，非 CCSD(T) 级参考；对强关联体系误差需自评（§12 追问 1）。
2. 非医学数据：与临床医学无直接关联（§1.6）。
3. 仅 CHNO 有机体系：不含金属、无机材料，材料研究者需另找数据集。
4. 无溶剂/环境效应：全部气相 MD，不含溶剂、pH、离子强度。
5. 温度/基组不统一：跨体系比较有隐藏变量（坑 5）。
6. 体系数少（7）：化学多样性有限，不足以覆盖生物分子全空间。
7. 轨迹时间相关性：自定义划分需谨慎（§2.15）。
8. 无官方全集总数：总构型/总原子数需自算（坑 3、坑 4）。

15.3 与更"现代"基站的对比

近年在 MD22 之外的分子力场基准包括 WS22（含激发态）、SPICE（含多类小分子与蛋白片段）、OMol25 等更大规模集合。MD22 的定位是"大体系可扩展性的经典基准"——它不追求数据量最大或性质最全，而是把"规模 + 非局域"这一维度做到清晰可测。选型时：要最大数据量看 OMol25/SPICE；要激发态看 WS22；要评测大体系可扩展性看 MD22。

15.4 选型决策小结

• 目标 = 大体系力场 / 非局域效应 → MD22。
• 目标 = 小分子高精度 → MD17/rMD17。
• 目标 = 多性质静态分子 → QM9（rid=105）。
• 目标 = 激发态/非绝热 → WS22/xxMD。
• 目标 = 超大规模通用力场 → OMol25/SPICE 等更现代集合。

MD22 不是"最好的"分子数据集，而是"在可扩展性这一维度上最清晰的"基准——选型的关键是匹配你的评测目标。

FAQ（高频问答 28 问）

Q：MD22 到底是什么？
一个面向机器学习力场的生物大分子/超分子 MD 轨迹基准数据集，7 个体系、PDF-PBE+MBD 级别的势能与原子受力标签。

Q：谁做的？
Stefan Chmiela、Klaus-Robert Müller（TU Berlin/BIFOLD）、Alexandre Tkatchenko（University of Luxembourg）等 7 人，2023 年发表于 Science Advances。

Q：什么时候发的？
预印本 arXiv:2209.14865 于 2022-09-29 首发（v3 2022-11-14）；期刊版 Science Advances 9(2):eadf0873 于 2023-01-11。

Q：有几个体系？
7 个：Ac-Ala3-NHMe、DHA、Stachyose、AT-AT、AT-AT-CG-CG、Buckyball catcher、Double-walled nanotube。

Q：多少原子？
每个体系 42–370 原子不等：42 / 56 / 87 / 60 / 118 / 148 / 370。

Q：一共多少构型？
按论文 Table SII 逐项求和为 323,422（本文自算，官方未给总数，见坑 3）。

Q：标签是什么？
每个构型的总势能 + 每个原子的受力三维向量；不含偶极矩、电荷、电子密度。

Q：用什么方法算的？
电子结构用 FHI-aims，DFT-PBE+MBD 层级；MD 用 i-PI，1 fs 步长，400–500 K。

Q：能量单位？
kcal/mol；力单位 kcal/mol/Å。若与其他论文的 meV/atom、meV/Å 比较，需换算（1 kcal/mol ≈ 43.36 meV）。

Q：训练集多大？
逐体系不同（600–8000 样本），按"力 RMSE ≈ 1"反推确定，非固定比例。详见 Table I。

Q：精度多高？
配套 sGDML 力场力 MAE 0.52–0.79 kcal/mol/Å，能量 MAE 0.0079–0.046 kcal/mol（逐原子归一）。

Q：怎么下载？
sgdml.org 免注册直下 .npz；或走 ColabFit Exchange 的 Parquet 镜像；HF 亦有二次分发。

Q：许可是什么？
CC0-1.0，公共领域，可自由使用/修改/分发/商用，无需署名。

Q：要注册吗？
不要。免注册直下。

Q：能商用吗？
能。CC0-1.0 无商用限制。

Q：MD22 和 MD17 什么关系？
MD22 是 MD17 的大体系升级版；MD17 是 8 个小分子（9–21 原子），MD22 是 7 个大分子（42–370 原子）。

Q：MD22 和 rMD17 呢？
rMD17 是 MD17 的数据质量修正版（同规模），MD22 是规模与表达力升级（不同规模）；两者正交，不互相替代。

Q：MD22 和 QM9 呢？
QM9 是静态小分子的多性质集（约 13.4 万分子），MD22 是动态大体系的能量与力轨迹集；同属分子 ML 基准但侧重不同。

Q：为什么叫 MD22 而不是别的？
命名延续 MD17 的世代编号，"22"不对应分子数或原子数。

Q：最大和最小的体系？
最小 Ac-Ala3-NHMe（42 原子，85,109 构型）；最大 Double-walled nanotube（370 原子，5,032 构型）。

Q：哪个体系最难学？
Stachyose 能量 MAE 最高（0.046）且需样本最多（8k）；AT-AT-CG-CG 力 RMSE 最高（1.22）。

Q：哪个体系样本最少？
Double-walled nanotube（800 训练样本 / 5,032 总构型）。

Q：非局域性是什么意思？
指某个原子的受力取决于整个分子的构型而非局部邻域；纳米管内外管协同旋转是典型例子。全局力场才能刻画。

Q：什么是 sGDML？
对称梯度域机器学习（symmetric Gradient Domain Machine Learning），本论文配套的全局力场方法；它保留全部原子自由度关联，不做局域化。

Q：论文有跑长时间模拟吗？
有。对双壁纳米管跑了纳米秒级 MD（约 500 ps）与 PIMD（约 100 ps，16 beads，300 K）。

Q：附录 B 的数据是第 8 个体系吗？
不是。附录 B 的 donor-bridge-acceptor 用半经验 GFN2-xTB 生成，属演示数据，非 MD22 七体系。

Q：可以在 HF 下载吗？
可以，HF 上有多套二次分发镜像（colabfit/* 等）；部分环境需走 hf-mirror 镜像站。

Q：适合临床医学研究者吗？
不适合直接用——MD22 是纯计算化学数据，无人类样本。它属于"药物发现与化学"域，与蛋白质序列/结构类条目可互链。

Q：怎么引用？
见下方"引用模板"，优先引期刊版（Science Advances 2023）。

Q：这 7 个体系是同时采样的吗？
不是。各体系独立进行 MD 采样，温度与基组也可能不同（小体系 500 K/tight，超分子 400 K/light），详见 Table SI。

Q：为什么是 1 fs 步长？
1 fs 是捕捉氢原子振动（最快运动）的常规步长，兼顾精度与稳定性；论文全部轨迹均取 1 fs 分辨率。

Q：为什么要用 MBD 校正？
PBE 泛函本身不描述长程色散力（范德华），而 DHA 长链、碱基堆积、碳纳米管层间堆积都依赖色散；MBD（多体色散）补上这一块，才能得到物理正确的势能面。

Q：AT-AT-CG-CG 里的 CG 是什么？
C（胞嘧啶）与 G（鸟嘌呤）碱基对。所以 AT-AT-CG-CG = 两对 AT + 两对 CG，共四个碱基对。

Q：Stachyose 为什么构型最多？
它带大量羟基，MD 中氢键不断断裂重排，构象多样性极高，需要（也生成了）最多构型（127,272）。

Q：纳米管为什么只要 5,032 个构型？
它的局部化学单调（几乎全是等效碳），且采样目标是覆盖"伸缩/旋转"这类规律运动，不需要海量构型；训练只需 800 样本即可达到力 MAE 0.52（全集最优）。

Q：能量和力的精度为什么不对应？
训练目标是力（力 RMSE≈1），能量是被动报告的"副产品"，其误差更受体系能量尺度影响，因此能量 MAE 波动（6 倍）大于力 MAE（1.5 倍）。

Q：能用来训练蛋白质折叠模型吗？
不能直接——MD22 只含一个四肽（42 原子），不是蛋白质结构数据集；蛋白质相关问题应看库内 ProteinGym（rid=813）与 Human Protein Atlas（rid=404）。

Q：它和 AlphaFold 有关系吗？
无直接关系。AlphaFold 是结构预测（序列→3D 结构），MD22 是力场数据（几何→能量与力）。两者可互补（结构给初态，力场给动力学），但用途不同。

Q：数据集里有水分子/溶剂吗？
没有。全部为真空（气相）MD，不含溶剂。溶剂效应需另找数据集。

Q：能用于材料（如金属、氧化物）吗？
不能直接用——MD22 全部是 CHNO 有机体系，不含金属。材料力场应看 ColabFit Exchange 中的其他子集（如 LMNTO）。

Q：ColabFit 是什么？
一个材料/分子数据集的汇聚平台，把异构数据统一为 Parquet schema 并提供 DOI；MD22 的 7 个体系在其中均有镜像。

Q：为什么有多个 DOI？
原始数据集在 sgdml.org 无独立 DOI（随论文）；ColabFit 为每个子集分配了 DataCite DOI（10.60732/*），便于单独引用与版本锚定。

Q：训练一个体系的力场要多久？
计算成本取决于方法。全局 sGDML 的训练代价随训练集大小增长，论文的 600–8000 样本规模在单机可完成；深度等变模型（MACE 等）则视 GPU 而定。MD22 的规模设计使其对个人研究者友好。

Q：如果我只想用一个体系，选哪个？
入门选 Ac-Ala3-NHMe（最小）；研究非局域性选 Double-walled nanotube；研究规模效应用 AT-AT 与 AT-AT-CG-CG 对照对。

Q：它是"活的"数据集吗（会更新吗）？
原始版本随论文固定，未持续更新；但 ColabFit/HF 上的镜像有各自的收录与再分发时点，引用时应注明版本。

Q：和"MD22"同名的其他东西怎么区分？
MD22 也可能是武器、发动机等编号。检索时联用 “force field” / “sGDML” / “Chmiela” 锁定本数据集（坑 1、§9.4）。

事实清单（硬事实 32 条）

1. 官方名：MD22（benchmark dataset）。
2. 论文题名：Accurate global machine learning force fields for molecules with hundreds of atoms。
3. 期刊：Science Advances 2023;9(2):eadf0873。
4. DOI：10.1126/sciadv.adf0873。
5. 预印本：arXiv:2209.14865（v1 2022-09-29，v3 2022-11-14）。
6. 任务头给的 arXiv:2205.09566 经核验为错误（实为微分几何论文）。
7. 作者：Chmiela、Vassilev-Galindo、Unke、Kabylda、Sauceda、Tkatchenko、Müller（7 人）。
8. 主机构：TU Berlin / BIFOLD + University of Luxembourg。
9. 体系数：7。
10. 原子数范围：42–370。
11. 体系 1：Ac-Ala3-NHMe，四肽，42 原子，85,109 构型。
12. 体系 2：DHA，脂肪酸，56 原子，69,753 构型。
13. 体系 3：Stachyose，四糖，87 原子，127,272 构型。
14. 体系 4：AT-AT，DNA 碱基对，60 原子，20,001 构型。
15. 体系 5：AT-AT-CG-CG，DNA 碱基对，118 原子，10,153 构型。
16. 体系 6：Buckyball catcher，超分子，148 原子，6,102 构型。
17. 体系 7：Double-walled nanotube，超分子，370 原子，5,032 构型。
18. 总构型数：323,422（7 项求和，自算）。
19. 总原子-帧：23,716,460（自算）。
20. 标签：总势能 + 逐原子受力。
21. 理论层级：DFT-PBE+MBD。
22. 电子结构软件：FHI-aims。
23. MD 引擎：i-PI。
24. 时间步长：1 fs（数据集采样）。
25. 温度：小体系 500 K、两超分子 400 K。
26. 基组：tight（5 个小体系）/ light（2 个超分子）。
27. 训练样本：600–8000，按力 RMSE≈1 反推。
28. sGDML 力 MAE：0.52–0.79 kcal/mol/Å。
29. sGDML 能量 MAE：0.0079–0.046 kcal/mol（逐原子）。
30. PIMD 验证：纳米管，16 beads，300 K，0.2 fs，约 100 ps。
31. 许可：CC0-1.0。
32. 获取：sgdml.org 免注册；ColabFit Parquet 镜像。

术语表（26 条）

术语	英文	释义
机器学习力场	MLFF (Machine Learning Force Field)	用机器学习模型拟合原子间势能面，替代昂贵的从头算
势能面	potential energy surface (PES)	分子能量随原子坐标变化的函数
原子受力	atomic forces	势能对坐标的负梯度，驱动 MD 演化
分子动力学	molecular dynamics (MD)	用牛顿方程模拟原子随时间运动
从头算	ab initio	直接求解电子结构、不依赖经验参数的计算
DFT	Density Functional Theory	密度泛函理论，一种电子结构近似方法
PBE	Perdew-Burke-Ernzerhof	常用交换关联泛函
MBD	Many-Body Dispersion	多体色散校正，刻画范德华/长程色散力
FHI-aims	—	全电子数值基组电子结构软件
i-PI	—	通用力引擎，驱动各种电子结构软件的 MD
sGDML	symmetric Gradient Domain ML	对称梯度域机器学习，本文配套全局力场方法
GDML	Gradient Domain ML	sGDML 的前身方法
局域性假设	locality assumption	假设能量可拆为局部原子贡献，无法描述非局域效应
非局域相互作用	non-local interaction	跨越较大空间尺度的相互作用
对称群阶 ‖G‖	permutation group order	体系中可利用的置换对称性大小
四肽	tetrapeptide	四个氨基酸残基组成的短肽
脂肪酸	fatty acid	长链羧酸；DHA 是多不饱和脂肪酸
四糖	tetrasaccharide	四个单糖组成的寡糖；Stachyose 即水苏糖
碱基对	base pair	DNA 中互补碱基的配对（A-T、C-G）
超分子	supramolecule	由非共价作用组装的分子集合体
巴基球	buckyball (C60)	足球烯，60 个碳的笼状分子
双壁纳米管	double-walled nanotube	两层同轴碳纳米管
路径积分分子动力学	PIMD	计入核量子效应的 MD 方法
虚时间副本	beads	PIMD 中表示核量子效应的多个副本
恒温器	thermostat	控制模拟温度的算法（Langevin / Nosé-Hoover）
公共领域	public domain	无著作权限制的作品状态（CC0-1.0 实现）

附录

附录 A：引用模板

@article{chmiela2023md22,
  title   = {Accurate global machine learning force fields for molecules with hundreds of atoms},
  author  = {Chmiela, Stefan and Vassilev-Galindo, Valentin and Unke, Oliver T. and
             Kabylda, Adil and Sauceda, Huziel E. and Tkatchenko, Alexandre and
             M{\"u}ller, Klaus-Robert},
  journal = {Science Advances},
  volume  = {9},
  number  = {2},
  pages   = {eadf0873},
  year    = {2023},
  doi     = {10.1126/sciadv.adf0873}
}

数据集引用（sgdml.org）：Chmiela, S. et al. “MD22 benchmark dataset.” www.sgdml.org, 2022–2023. License: CC0-1.0.
ColabFit 镜像引用：Chmiela, S. et al. “MD22 <system>.” ColabFit, 2023. https://doi.org/10.60732/<subDOI>.

附录 B：DAIMS 评估全表

DAIMS = Discoverability（可发现性）/ Accessibility（可获取性）/ Interoperability（互操作性）/ Metadata（元数据质量）/ Sustainability（可持续性），各 10 分制。

维度	评分	依据
D 可发现性	9	论文 + sgdml.org + ColabFit + HF 多点可达；DOI 与 arXiv 号齐备；扣分因官网未提供单一"数据集落地页"聚合全部 7 体系下载
A 可获取性	10	CC0-1.0 公共领域，免注册直下，无地域/机构限制；商用无阻
I 互操作性	8	提供 .npz、XYZ、Parquet 多格式；ColabFit 统一 schema 利于跨数据集；但各格式字段命名不统一（坑 6），需手工映射
M 元数据质量	8	论文 Table I/SI/SII 给出温度、基组、恒温器、构型数、统计量完备；扣分因官方未给全集总构型/总原子数（坑 3、坑 4），且无独立 Data Card
S 可持续性	9	期刊 + 期刊 DOI + arXiv + ColabFit + HF 多副本托管，长期可获得性高；扣分因原始托管为学术实验室站点（sgdml.org/quantum-machine.org），非机构级长期存储库

综合：44/50。核心强项是可获取性（CC0 + 免注册）；主要短板是元数据的"总集合口径缺失"与格式字段不统一。

附录 C：数据集速查卡

名称：MD22
类型：机器学习力场基准（生物大分子/超分子 MD 轨迹）
体系：7 个（42–370 原子）
总量：323,422 构型 / 23,716,460 原子-帧
标签：总势能 + 逐原子受力（DFT-PBE+MBD）
软件：FHI-aims + i-PI
温度：400–500 K   步长：1 fs
论文：Science Advances 2023;9(2):eadf0873
预印本：arXiv:2209.14865
许可：CC0-1.0
获取：https://www.sgdml.org/  （.npz 直下）
镜像：ColabFit Exchange（Parquet，7 个 DOI）
库内互链：QM9(105) / ProteinGym(813) / Human Protein Atlas(404)

附录 D：坑点速查汇总

编号	坑点	影响面
坑 1	任务头 arXiv 2205.09566 错误，正确为 2209.14865	引用/检索
坑 2	论文 2022 预印本 vs 2023 期刊版年份双口径	著录
坑 3	总构型数无官方数字，需 7 项求和得 323,422	数字抽取
坑 4	总原子数口径为"原子数×构型数"（23,716,460），非唯一原子数	数字抽取
坑 5	温度（400/500 K）与基组（tight/light）非全局统一	复现/比较
坑 6	原始 npz 与 ColabFit Parquet 字段/划分不一致	管线搭建
坑 7	附录 B donor-bridge-acceptor 非 MD22 体系（半经验 GFN2-xTB）	体系定义
坑 8	第三方方法数值口径冲突（VisNet-LSRM 两版数值）	跨论文比较
坑 9	体系名论文拼写 vs ColabFit 转写不一致	脚本匹配

附录 E：检索决策树

要找"分子机器学习的 DFT 力场基准"？
├─ 小分子、静态多性质        → QM9（库内 rid=105）
├─ 小分子、动态能量与力      → MD17（库内无）/ rMD17（库内无）
├─ 大分子、动态能量与力      → MD22（本条目）★
├─ 含激发态/非绝热          → WS22 / xxMD（库内无）
└─ 蛋白质突变适应度          → ProteinGym（库内 rid=813）

误区提示：
  "MD-22"（武器型号）      ≠ MD22
  附录 B 演示数据          ≠ MD22 第 8 个体系（坑 7）

附录 F：七体系基准参照总表

一张表汇总本条目所有关键数字，供快速对标：

体系	原子	构型	训练	占比	E-MAE	F-MAE	E-RMSE	F-RMSE	‖G‖	温度	基组
Ac-Ala3-NHMe	42	85,109	6k	7%	0.0093	0.79	0.012	1.21	18	500	tight
DHA	56	69,753	8k	12%	0.023	0.75	0.030	1.17	6	500	tight
Stachyose	87	127,272	8k	29%	0.046	0.68	0.052	1.07	1	500	tight
AT-AT	60	20,001	3k	15%	0.012	0.69	0.015	1.12	36	500	tight
AT-AT-CG-CG	118	10,153	2k	20%	0.012	0.70	0.015	1.22	96	500	tight
Buckyball catcher	148	6,102	600	10%	0.0079	0.68	0.0099	1.02	48	400	light
Double-walled nanotube	370	5,032	800	16%	0.0108	0.52	0.0135	0.97	28	400	light
合计/范围	42–370	323,422	600–8k	7–29%	0.0079–0.046	0.52–0.79	—	—	1–96	400–500	—

（能量 MAE/RMSE 单位 kcal/mol 且逐原子归一；力 MAE/RMSE 单位 kcal/mol/Å 且逐分量归一。）

附录 G：来源台账

事实	来源	核对方式
7 体系、原子数 42–370	论文摘要 + Table I	PDF 文本提取（本机 pypdf）
逐体系构型数（Size）	论文 Table SII	PDF 文本提取
逐体系训练集大小	论文 Table I	PDF 文本提取
温度/基组/恒温器	论文 Table SI	PDF 文本提取
E-MAE/F-MAE/RMSE 全表	论文 Table I	PDF 文本提取
力 RMSE≈1 为设计目标	论文 Table I 表注	PDF 文本提取
PIMD 设置（16 beads/300 K/0.2 fs）	论文正文 §IV	PDF 文本提取
数据/模型/软件可用性	论文 Data availability 声明	PDF 文本提取
CC0-1.0	ColabFit 各子集页 + sgdml.org	WebFetch 实抓
各子集 DOI（10.60732/*）	ColabFit Exchange	WebFetch 实抓
纳米管文件 85.7 MB	quantum-machine.org 直链	curl HEAD 实测
论文题名/作者/DOI	arXiv abs + 期刊页	WebFetch 实抓
arXiv 编号纠错	arXiv 2205.09566 abs 页（math.DG）	WebFetch 实抓

附录 H：版本与时点

时点	事件
2022-09-29	预印本 arXiv:2209.14865 v1
2022-10-04	预印本 v2
2022-11-14	预印本 v3（当前版本）
2023-01-11	Science Advances 9(2):eadf0873 正式发表
2023-10-07	ColabFit Exchange 收录 7 个子数据集
2024–2025	HuggingFace 多套二次分发镜像出现（nanotube 等子集常被单独使用）
2026-10-16	本条目核验与成稿时点

附录 I：一句话导航

• 要数字 → §2.1 / 附录 F。
• 要许可与下载 → §6。
• 要精度基线 → §5。
• 要避坑 → §10 / 附录 D。
• 要互链 → §9。
• 要引用格式 → 附录 A。
• 要澄清 arXiv 编号 → 坑 1。

尾注

• 本条目全部硬数字来自论文 Science Advances 2023;9(2):eadf0873 及其补充材料（Table I、Table SI、Table SII），经本机 PDF 文本提取逐字段核对；镜像与许可信息来自 sgdml.org 官网与 ColabFit Exchange 数据集页（2026-10-16 检索）。
• 存照：任务头 arXiv 编号 2205.09566 经一手核验为错误，全文按 2209.14865 成稿（坑 1）；总构型数 323,422 与总原子-帧 23,716,460 均为本文按论文逐项自算（坑 3、坑 4）。
• 库内互链：QM9（rid=105）、ProteinGym（rid=813）、Human Protein Atlas（rid=404）、DrugTargetCommons（rid=1080）；MD17/rMD17 不在库，不互链。
• 最后核验时间：2026-10-16。

附录 J：MD22 与相关数据集的互链语义图

                    ┌──────────────┐
                    │  MD22 (本条目) │
                    └───────┬──────┘
       ┌────────────────────┼────────────────────┐
       │ 前身/世代           │ 同谱系              │ 下游应用
       ▼                    ▼                    ▼
  MD17 / rMD17         QM9 (rid=105)      ProteinGym (rid=813)
  （库内无，不互链）    （分子 ML 基准）    Human Protein Atlas (rid=404)
                                            DrugTargetCommons (rid=1080)

  语义：
    MD22 ↔ QM9       横向（同世代不同侧重：动态力场 vs 静态性质）
    MD22 → ProteinGym 纵向（分子层面 → 蛋白功能层面）
    MD22 → HPA        纵向（分子 → 蛋白图谱）

附录 K：常见检索组合与预期命中

检索组合	预期命中	备注
MD22 + “force field”	本数据集	最精确
MD22 + Chmiela	本数据集论文	作者锚定
MD22 + sGDML	本数据集 + 方法	方法锚定
MD22 + biomolecule	本数据集讨论	域锚定
MD-22 + 武器	无关结果	注意连字符，坑 1
MD17 单独	前身数据集	非本条，注意区分
“MD22” + 纳米管	纳米管子集	常被单独使用

附录 L：术语补充（进阶 14 条）

术语	英文	释义
梯度域机器学习	Gradient Domain ML	直接学习势能梯度（力）而非势能本身的方法
核方法	kernel method	用核函数度量样本相似度的非参数方法
置换对称性	permutation symmetry	相同原子互换后物理量不变的对称性
归纳偏置	inductive bias	模型结构自带的先验假设
等变神经网络	equivariant neural network	对旋转/平移等变换保持等变性的网络
消息传递网络	message passing neural network	在原子图上迭代传递邻居信息的架构
截断半径	cutoff radius	局域模型中每个原子考虑的最大邻居距离
保守力场	conservative force field	力=势能负梯度的力场，能量守恒
数据泄漏	data leakage	训练信息泄漏到测试集导致高估性能
范德华力	van der Waals force	中性分子间的弱长程相互作用
色散力	dispersion force	瞬时偶极引起的长程吸引力
零点能	zero-point energy	量子基态的最低振动能
虚时间	imaginary time	路径积分中表示量子涨落的维度
径向分布函数	radial distribution function h®	描述原子间距分布的统计量，用于验证 MD

附录 M：七体系一句话记忆口诀

• 四肽（42）：最小的蛋白质片段。
• 脂肪酸（56）：最柔的长链。
• 四糖（87）：最多氢键、最多构型。
• 两碱基对（60）：最小的核酸单元。
• 四碱基对（118）：规模对照的"大兄弟"。
• 巴基球捕捉器（148）：主客体超分子。
• 双壁纳米管（370）：最大、最非局域、PIMD 试金石。

记法：肽-脂-糖-核酸-核酸-捕获-纳米管，规模依次 42 → 56 → 87 → 60 → 118 → 148 → 370。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• matbench — 共享标签：药物发现与化学 / 量子化学 / 分子性质预测 / 评测基准
• qm9 — 共享标签：药物发现与化学 / 量子化学 / 分子性质预测 / 评测基准
• ani1x — 共享标签：药物发现与化学 / 量子化学 / 分子性质预测
• aqsoldb — 共享标签：药物发现与化学 / 分子性质预测 / 评测基准
• psbench — 共享标签：药物发现与化学 / 评测基准 / 基因组学与多组学
• moleculenet — 共享标签：药物发现与化学 / 分子性质预测 / 评测基准
• plinder — 共享标签：药物发现与化学 / 评测基准 / 基因组学与多组学
• pcqm4mv2 — 共享标签：药物发现与化学 / 量子化学 / 评测基准
• proteingym — 共享标签：药物发现与化学 / 评测基准 / 基因组学与多组学
• emdb — 共享标签：药物发现与化学 / 评测基准 / 基因组学与多组学

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。