近日，中国科学院东莞材料科学与技术研究所联合中国科学院物理研究所，面向全球开源发布有机分子数据集OpenGEM26（Open Generated Ensemble of Molecules，2026）及配套机器学习势函数GPTFF-mol。该数据集涵盖H、C、N、O、S、Cl六种元素，包含约20万种独特有机分子及440万种分子构象。OpenGEM26与GPTFF-mol的同步开源，标志着我国在有机分子人工智能势函数领域拥有了具备国际竞争力的自主数据资源，扭转了长期依赖海外数据平台的局面。

数据是人工智能驱动有机分子模拟研究的核心基础设施。作为AI for Science的重要方向，有机小分子AI力场在药物发现、催化设计、高分子合成及含能材料等关键领域具有广泛应用前景。其规模化发展的关键，在于高质量、大规模且标准化的训练数据集——数据集的规模、元素覆盖、计算精度与构型多样性，共同决定了模型精度的上限与适用范围。

过去十余年，欧美主要团队在该方向构建了若干标杆性数据集。2014年发布的QM9数据集核心论文累计被引超3000次，收录约13.4万种含C/H/N/O/F五种元素、最多9个重原子的稳定小分子及其B3LYP/6-31G(2df,p)级量子化学性质，长期作为机器学习势函数训练与评测的事实基准。2017年发布的ANI-1数据集核心论文被引约430次，从GDB化学空间枚举约2000万种非平衡构象，后续ANI-1x/ANI-1ccx通过主动学习与迁移学习将参考精度推至耦合簇水平。

然而，上述主流数据集存在三方面共性局限：其一，计算级别以B3LYP为主，参考精度受限；其二，元素覆盖集中于C/H/N/O/F，缺少硫、氯两类在药物、催化及含能材料中至关重要的有机元素；其三，非平衡构象收录不足，导致模型在反应过渡态、键断裂等远离平衡区域泛化能力较差。

在国内，有机分子领域长期缺乏规模化、有组织的AI-ready数据生产能力。高校、科研院所及产业界普遍依赖QM9、ANI等海外数据集进行模型训练，自建数据集在元素覆盖、计算精度和持续更新能力方面与国际水平存在差距，面向有机小分子机器学习势函数的AI-ready训练数据缺口尤为突出。OpenGEM26的发布填补了这一空白。

OpenGEM26基于GDB-13分子库筛选构建，量子化学计算采用ωB97X-D泛函、Def2-SVP基组完成初步优化，并以Def2-TZVP基组获取高精度参考结构，包含经验色散校正，整体精度优于QM9所用的B3LYP级别。数据集完整保留了结构优化中每一步的力与坐标信息，并补充大量非平衡构象，使势函数在反应过渡态区域具备泛化能力。键长、键角分布及t-SNE降维可视化等对比显示，OpenGEM26在能量、键长、键角三个维度上的构型空间覆盖度均显著优于QM9，并可覆盖QM9无法触及的非平衡区域。

在此基础上，团队基于前期发布的GPTFF通用无机材料力场框架（图神经网络+Transformer架构），训练出有机分子专用势函数GPTFF-mol。该模型采用节点-边编码、三体相互作用模块与自动微分求力机制，将原子局部环境映射为原子能量贡献，累加得到体系总能。经测试集严格评估，GPTFF-mol能量预测精度优于1 meV/atom，与高阶量子化学结果高度一致；力预测精度优于开源标杆ANI-2x，逼近当前国际最优模型；推理速度较密度泛函理论计算快五至六个数量级。

在应用验证中，团队选取丁烷构象旋转与酮-烯醇互变异构两类经典有机反应，将GPTFF-mol与ANI-2x、ET_qm9等模型进行对比。结果表明，GPTFF-mol准确复现了DFT级别的势能面，并在过渡态及其邻域表现出稳健预测能力，而基于QM9训练的同类模型则出现明显偏差。该能力对药物合成路径设计、催化剂筛选及新型含能材料研发具有直接应用价值。

GPTFF-mol与OpenGEM26的发布，是研究团队继GPTFF通用无机材料力场、Atomly材料科学数据库、MatChat材料科学AI智能体之后，在“AI+材料”全链条布局中的又一核心成果。至此，团队构建的数据-模型-应用三位一体基础设施已实现从无机晶体到有机分子的全栈覆盖，为我国在药物发现、催化设计、高分子及含能材料等关键领域的自主可控研发奠定坚实基础，同时也为全球相关研究者提供了高质量开源工具与基准数据集。

相关技术文档：https://arxiv.org/abs/2607.21369

GPTFF-mol模型：https://github.com/atomly-materials-research-lab/gptff/tree/main/pretrained/molecular