deepmd kit

---

مجموعة DeePMD

حول مجموعة DeePMD

DeePMD-kit عبارة عن حزمة مكتوبة بلغة Python/C++، مصممة لتقليل الجهد المطلوب لبناء نموذج قائم على التعلم العميق للطاقة الكامنة بين الذرات ومجال القوة ولأداء الديناميكيات الجزيئية (MD). وهذا يجلب آمالًا جديدة لمعالجة معضلة الدقة مقابل الكفاءة في عمليات المحاكاة الجزيئية. تمتد تطبيقات مجموعة DeePMD من الجزيئات المحدودة إلى الأنظمة الموسعة ومن الأنظمة المعدنية إلى الأنظمة المرتبطة كيميائيًا.

لمزيد من المعلومات، تحقق من الوثائق.

الميزات المميزة

• يتم ربطه بواجهات خلفية متعددة ، بما في ذلك TensorFlow وPyTorch وJAX، وهي أطر التعلم العميق الأكثر شيوعًا، مما يجعل عملية التدريب تلقائية وفعالة للغاية.
• يتم ربطه بحزم MD الكلاسيكية عالية الأداء وحزم MD الكمية (المسار المتكامل) ، بما في ذلك LAMMPS وi-PI وAMBER وCP2K وGROMACS وOpenMM وABACUS.
• تطبق نماذج سلسلة Deep Potential ، والتي تم تطبيقها بنجاح على الأنظمة المحدودة والممتدة، بما في ذلك الجزيئات العضوية والمعادن وأشباه الموصلات والعوازل وما إلى ذلك.
• يطبق دعم MPI وGPU ، مما يجعله فعالاً للغاية للحوسبة المتوازية والموزعة عالية الأداء.
• وحدات نمطية للغاية وسهلة التكيف مع الواصفات المختلفة لنماذج الطاقة المحتملة القائمة على التعلم العميق.

الترخيص والاعتمادات

تم ترخيص مجموعة DeePMD للمشروع بموجب GNU LGPLv3.0. إذا كنت تستخدم هذا الرمز في أي منشورات مستقبلية، فيرجى ذكر المنشورات التالية للأغراض العامة:

• Han Wang، Linfeng Zhang، Jiequn Han، وWeinan E. "DeePMD-kit: حزمة تعليمية عميقة لتمثيل الطاقة المحتملة للعديد من الأجسام والديناميات الجزيئية." اتصالات فيزياء الكمبيوتر 228 (2018): 178-184.
• جينزي تسنغ، ديو تشانغ، دينغوي لو، بينغوي مو، زيو لي، ييتشياو تشين، ماريان رينيك، ليانغ هوانغ، زياو لي، شاوشين شي، ينجزي وانغ، هاوتيان يي، بينج تو، جيابين يانغ، يي دينغ، ييفان لي، دافيد تيسي، كيو زينغ، هان باو، يو شيا، جيامنغ هوانغ، كوكي موراوكا، ييبو وانغ، جونهان تشانغ، فنغبو يوان، سيغبجورن لولاند بور، تشون كاي، ينيان لين، بو وانغ، جيايان شو، جيا-شين تشو، تشينشينغ لو، يوزي تشانغ، ريس إي إي غودال، وينشو ليانغ، أنوراغ كومار سينغ، سيكاي ياو، جينتشاو تشانغ، ريناتا وينتزكوفيتش، جيكون هان، جي ليو، ويلي جيا، دارين إم يورك، وينان إي، روبرتو كار، لينفينج تشانغ، هان وانغ. "DeePMD-kit v2: حزمة برامج للنماذج المحتملة العميقة." جيه كيم. فيز. 159 (2023): 054801.

بالإضافة إلى ذلك، يرجى اتباع الملف البيبلي لذكر الطرق التي استخدمتها.

أبرز في الإصدارات الرئيسية

النسخة الأولية

الهدف من Deep Potential هو استخدام تقنيات التعلم العميق وتحقيق نموذج طاقة كامنة بين الذرات يكون عامًا ودقيقًا وفعالًا حسابيًا وقابلاً للتطوير. المكون الرئيسي هو احترام الخصائص الشاملة وثابتة التناظر لنموذج الطاقة المحتملة عن طريق تعيين إطار مرجعي محلي وبيئة محلية لكل ذرة. تحتوي كل بيئة على عدد محدود من الذرات، التي يتم ترتيب إحداثياتها المحلية بطريقة تحافظ على التناظر. ثم يتم تحويل هذه الإحداثيات المحلية، عبر شبكة فرعية، إلى ما يسمى بالطاقة الذرية . إن جمع كل الطاقات الذرية يعطي الطاقة الكامنة للنظام.

الدليل الأولي للمفهوم موجود في ورقة الإمكانات العميقة، والتي استخدمت نهجًا تم تصميمه لتدريب نموذج الشبكة العصبية باستخدام الطاقة الكامنة فقط. مع مجموعات البيانات النموذجية للديناميكيات الجزيئية (AIMD) فإن هذا غير كافٍ لإعادة إنتاج المسارات. يتغلب نموذج الديناميكيات الجزيئية المحتملة العميقة (DeePMD) على هذا القيد. بالإضافة إلى ذلك، تتحسن عملية التعلم في DeePMD بشكل ملحوظ مقارنة بطريقة Deep Potential بفضل تقديم مجموعة مرنة من وظائف الخسارة. تعمل إمكانات NN التي تم إنشاؤها بهذه الطريقة على إعادة إنتاج مسارات AIMD بدقة، الكلاسيكية والكمية (تكامل المسار)، في الأنظمة الموسعة والمحدودة، بتكلفة تتدرج خطيًا مع حجم النظام وتكون دائمًا أقل بعدة أوامر من حيث الحجم من تكلفة AIMD المكافئة المحاكاة.

على الرغم من كفاءته العالية، إلا أن نموذج الإمكانات العميقة الأصلي يلبي الخصائص الشاملة وثابتة التناظر لنموذج الطاقة المحتملة على حساب إدخال الانقطاعات في النموذج. وهذا له تأثير ضئيل على المسار من أخذ العينات الأساسية ولكنه قد لا يكون كافياً لحسابات الخواص الديناميكية والميكانيكية. حفزتنا هذه النقاط على تطوير نموذج Deep Potential-Smooth Edition (DeepPot-SE)، الذي يستبدل الإطار المحلي غير السلس بشبكة تضمين سلسة وقابلة للتكيف. يُظهر DeepPot-SE قدرة كبيرة في نمذجة العديد من أنواع الأنظمة التي تهم مجالات الفيزياء والكيمياء والبيولوجيا وعلوم المواد.

بالإضافة إلى بناء نماذج الطاقة المحتملة، يمكن أيضًا استخدام مجموعة DeePMD لبناء نماذج ذات حبيبات خشنة. في هذه النماذج، الكمية التي نريد تحديد معلماتها هي الطاقة الحرة، أو إمكانات الحبيبات الخشنة، للجسيمات الخشنة الحبيبات. راجع ورقة DeePCG لمزيد من التفاصيل.

الإصدار 1

• إعادة بناء الكود لجعله معياريًا للغاية.
• دعم GPU للواصفات.

الإصدار 2

• ضغط النموذج. تسريع كفاءة الاستدلال النموذجي 4-15 مرة.
• واصفات جديدة. بما في ذلك se_e2_r و se_e3 و se_atten (DPA-1).
• تهجين الواصفات. واصف هجين تم إنشاؤه من تسلسل عدة واصفات.
• تضمين نوع الذرة. تمكين التضمين من النوع الذري لتقليل تعقيد التدريب وتحسين الأداء.
• التدريب والاستدلال على ثنائي القطب (المتجه) وقابلية الاستقطاب (المصفوفة).
• تقسيم مجموعة بيانات التدريب والتحقق من الصحة.
• تدريب محسّن على وحدات معالجة الرسومات، بما في ذلك CUDA وROCm.
• غير فون نيومان.
• C API للتفاعل مع حزم الطرف الثالث.

راجع أحدث ورقتنا للحصول على تفاصيل جميع الميزات حتى الإصدار 2.2.3.

v3

• الواجهات الخلفية المتعددة مدعومة. أضف الواجهات الخلفية لـ PyTorch وJAX.
• نموذج DPA-2.
• آليات البرنامج المساعد للنماذج الخارجية.

تثبيت واستخدام مجموعة DeePMD

يرجى قراءة الوثائق المتوفرة عبر الإنترنت لمعرفة كيفية تثبيت مجموعة DeePMD واستخدامها.

هيكل الكود

يتم تنظيم الكود على النحو التالي:

• examples : أمثلة.
• deepmd : وحدات بايثون DeePMD-kit.
• source/lib : الكود المصدري للمكتبة الأساسية.
• source/op : تنفيذ المشغل (OP).
• source/api_cc : الكود المصدري لـ DeePMD-kit C++ API.
• source/api_c : الكود المصدري لواجهة برمجة تطبيقات C.
• source/nodejs : الكود المصدري لواجهة برمجة تطبيقات Node.js.
• source/ipi : الكود المصدري لعميل i-PI.
• source/lmp : الكود المصدري لوحدة LAMMPS.
• source/gmx : الكود المصدري للمكون الإضافي Gromacs.

المساهمة

راجع دليل المساهمة لـ DeePMD-kit لتصبح مساهمًا! ؟