催化机器学习数据集选型指南：从基础研究到界面催化的演进之路

在选择催化剂数据集时，你是否遇到过这些困惑？面对OC20、OC22和OC25等多个版本，如何判断哪个最适合你的研究需求？不同数据集的技术特性究竟有何差异？本文将通过"需求定位→技术对比→场景适配→实践指南"的四象限框架，帮助你清晰理解各版本数据集的核心价值与应用路径。

需求定位：你的研究需要什么样的催化数据？

如何明确数据集选择的核心需求？

在开始选择数据集前，研究者需要回答三个关键问题：你的研究系统是气体-表面相互作用、氧化物体系还是固液界面反应？你的计算资源能否支持大规模数据集的存储与处理？你的研究目标是基础能量预测还是实际工况模拟？这三个问题将直接决定数据集的选择方向。

催化研究的数据集选择就像为特定实验选择合适的仪器——基础研究可能只需要简单的设备，而复杂体系研究则需要更精密的工具。OC20、OC22和OC25正是为不同研究需求设计的"实验工具"，各自擅长解决特定类型的催化问题。

技术对比：三大数据集的核心特性解析

OC20：催化基础研究的"入门级"数据集

OC20作为Open Catalyst Project的首个大型数据集，就像催化研究的"基础实验手册"，奠定了催化反应能量预测的数据集标准。发布于2020年的OC20主要关注气体-表面相互作用，包含约1.3亿DFT计算帧，提供三种主要任务类型：

• S2EF（Structure to Energy and Forces）：从结构预测能量和力，提供多种训练集规模选择（200K到全量数据）
• IS2RE（Initial Structure to Relaxed Energy）：预测初始结构的弛豫能量
• IS2RS（Initial Structure to Relaxed Structure）：预测初始结构的弛豫结构

🔬 技术特点：采用LMDB格式存储，支持预计算边信息以平衡存储需求和计算效率。最小训练集仅需1.7G存储空间，适合资源有限的研究团队入门使用。

OC22：氧化物电催化剂的"专业级"数据集

如果你正在研究氧化物电催化剂，OC22就像是为你定制的"专项实验方案"。2022年发布的OC22专注于氧化物催化剂系统，引入了新的任务类型：

• S2EF-Total：结构到总能量和力的预测
• IS2RE-Total：初始结构到弛豫总能量的预测
• IS2RS：与OC20相同的结构弛豫预测

📊 技术特点：所有数据集均提供预计算的LMDB文件，无需复杂预处理。完整数据集约71G，包含详细的元数据信息，如材料组成、表面结构和吸附物种等关键参数，特别适合氧化物电催化机制研究。

OC25：固液界面催化的"前沿级"数据集

OC25作为2025年最新发布的数据集，代表了催化数据领域的"尖端实验技术"，首次引入显式溶剂环境，实现了从理想体系到实际反应条件的跨越：

• 近800万DFT计算帧
• 150万个独特的显式溶剂环境
• 平均系统大小为144个原子
• 涵盖88种元素，包含常用溶剂/离子和非平衡采样

💡 技术特点：采用ASE DB兼容的LMDB格式，使用VASP软件在RPBE+D3泛函水平下计算。这一数据集突破了传统催化数据集的局限，使研究固液界面电催化成为可能，为接近工业应用的机器学习模型开发提供了数据支持。

场景适配：如何根据研究目标选择数据集版本？

基础催化反应能量预测场景

当你的研究聚焦于基础催化反应能量预测时，OC20是最成熟的选择。它就像催化研究的"基础化学试剂"，经过充分验证且使用广泛。适合的研究方向包括：

• 催化剂表面吸附能预测
• 简单反应路径能量计算
• 基础催化理论模型开发

例如，在研究CO在过渡金属表面的吸附能时，OC20提供的大量气体-表面相互作用数据可以有效训练机器学习模型，预测不同表面位点的吸附强度。

氧化物电催化剂研究场景

对于氧化物电催化剂研究，OC22提供了专门优化的"实验条件"。它特别适合：

• 氧化物催化剂的活性位点预测
• 电催化反应路径分析
• 氧化物材料的催化性能筛选

以析氧反应（OER）研究为例，OC22包含的丰富氧化物表面结构和反应数据，能够帮助研究者快速筛选具有高活性的氧化物催化剂表面。

固液界面催化研究场景

当研究涉及实际电催化条件，特别是固液界面反应时，OC25提供了前所未有的"真实环境模拟"能力。适合的研究方向包括：

• 电催化反应机理研究
• 溶剂效应分析
• 复杂电解质环境下的催化性能预测

例如，在研究CO2电还原反应时，OC25的显式溶剂环境数据能够模拟电极-电解液界面的真实情况，帮助揭示溶剂分子和离子对反应路径的影响。

图：数据集选择的工作流程示意图，展示了从研究目标到数据集选择的决策路径

实践指南：从数据获取到模型训练的完整路径

数据获取三步法

获取OCP系列数据集的标准化流程如下：

1. 环境准备：确保安装了必要的依赖包，包括lmdb、ase和pandas等

2. 数据集选择：根据研究需求选择合适的数据集版本和任务类型

3. 数据下载：使用项目提供的下载脚本获取数据：

# 基础示例：下载OC20 S2EF任务数据
python scripts/download_data.py --task s2ef --split 2M --get-edges --num-workers 4 --ref-energy

典型研究场景案例分析

案例一：基础吸附能预测（使用OC20）

from fairchem.core.datasets import data_list_collater
from fairchem.core.datasets.ase_lmdb import ASELMDB

# 加载OC20 S2EF数据集
dataset = ASELMDB(
    "path/to/oc20/s2ef/train/data.lmdb",
    transform=AtomsToGraphs(
        max_neigh=50,
        radius=6.0,
        r_energy=True,
        r_forces=True,
    ),
)

dataloader = DataLoader(
    dataset,
    batch_size=32,
    collate_fn=data_list_collater,
    num_workers=4,
)

案例二：氧化物电催化剂筛选（使用OC22）

利用OC22的元数据信息，可以快速筛选特定类型的氧化物催化剂：

import pickle

# 加载OC22元数据
with open("oc22_metadata.pkl", "rb") as f:
    metadata = pickle.load(f)

# 筛选含特定元素的氧化物系统
target_systems = []
for key, value in metadata.items():
    if 'Co' in value['bulk_symbols'] and 'O' in value['bulk_symbols']:
        target_systems.append(key)

print(f"找到{len(target_systems)}个含Co-O的氧化物系统")

资源需求评估

OC20资源需求

• 存储需求：最小训练集1.7G，全量数据解压后可达1.1T
• 计算需求：单GPU可处理，预处理建议8核CPU
• 技术门槛：低，适合初学者入门

OC22资源需求

• 存储需求：约71G
• 计算需求：建议至少16GB显存GPU
• 技术门槛：中等，需要基本的数据处理能力

OC25资源需求

• 存储需求：超过100G
• 计算需求：建议多GPU或集群环境
• 技术门槛：较高，需要处理复杂系统的经验

文献引用决策树

在引用OCP数据集时，应根据使用的具体版本选择合适的文献：

1. 仅使用OC20数据：引用2021年ACS Catalysis文章
2. 使用OC22数据：引用2023年ACS Catalysis文章
3. 使用OC25数据：引用2025年OC25相关文献
4. 混合使用多个数据集：优先引用最新使用的数据集文献，并在方法部分注明使用的其他数据集

图：催化反应路径示意图，展示了催化剂表面上分子解离的可能路径

总结

从OC20到OC25，Open Catalyst Project的数据集系列见证了催化机器学习领域的快速发展。选择合适的数据集就像为特定实验选择合适的工具——基础研究可从OC20入手，氧化物体系研究应选择OC22，而固液界面催化研究则需要OC25的支持。

通过本文介绍的"需求定位→技术对比→场景适配→实践指南"四象限框架，研究者可以系统地评估自己的研究需求，选择最适合的数据集，并遵循标准化的数据获取和使用流程，从而更高效地开展催化机器学习研究。

随着数据集的不断扩展，未来我们可以期待更多针对特定催化反应类型和复杂反应环境的专用数据集，推动催化科学和工程的快速发展，加速新催化剂的发现和设计过程。

引用格式

• OC20:

@article{ocp_dataset,
    author = {Chanussot*, Lowik and Das*, Abhishek and Goyal*, Siddharth and Lavril*, Thibaut and Shuaibi*, Muhammed and Riviere, Morgane and Tran, Kevin and Heras-Domingo, Javier and Ho, Caleb and Hu, Weihua and Palizhati, Aini and Sriram, Anuroop and Wood, Brandon and Yoon, Junwoong and Parikh, Devi and Zitnick, C. Lawrence and Ulissi, Zachary},
    title = {Open Catalyst 2020 (OC20) Dataset and Community Challenges},
    journal = {ACS Catalysis},
    year = {2021},
    doi = {10.1021/acscatal.0c04525},
}

• OC22:

@article{oc22_dataset,
    author = {Tran*, Richard and Lan*, Janice and Shuaibi*, Muhammed and Wood*, Brandon and Goyal*, Siddharth and Das, Abhishek and Heras-Domingo, Javier and Kolluru, Adeesh and Rizvi, Ammar and Shoghi, Nima and Sriram, Anuroop and Ulissi, Zachary and Zitnick, C. Lawrence},
    title = {The Open Catalyst 2022 (OC22) dataset and challenges for oxide electrocatalysts},
    journal = {ACS Catalysis},
    year={2023},
}

• OC25:

@misc{oc25,
    title={The Open Catalyst 2025 (OC25) Dataset and Models for Solid-Liquid Interfaces},
    author={Sushree Jagriti Sahoo and Mikael Maraschin and Daniel S. Levine and Zachary Ulissi and C. Lawrence Zitnick and Joel B Varley and Joseph A. Gauthier and Nitish Govindarajan and Muhammed Shuaibi},
    year={2025},
    eprint={},
    archivePrefix={arXiv},
    primaryClass={},
    url={},
}