mace 是一个基于 Rust 的嵌入式 KV 引擎，结合了 B+ 树和 LSM 树的优点，适合高并发读写和扫描场景。支持 ACID 事务和 MVCC，性能优于 RocksDB，适用于本地存储和混合负载。

本研究针对化学基础模型（CFM）在数据分布和训练过程中的负载均衡问题，提出了一种迭代算法，将数据分布视为多目标装箱问题，从而实现高效数据分配。同时，优化了MACE模型中的对称张量收缩内核，显著提高训练速度，周期执行时间从12分钟缩短至2分钟。

Matbench Discovery使用机器学习模型模拟稳定无机晶体，研究发现CHGNet、M3GNet和MACE是最佳的材料发现方法，其晶体稳定性分类的F1得分约为0.6。研究还强调了全局回归指标和分类指标之间的差异。