deepmd kit
v3.0.0
DeePMD-kit ist ein in Python/C++ geschriebenes Paket, das entwickelt wurde, um den Aufwand für die Erstellung eines Deep-Learning-basierten Modells interatomarer potentieller Energie und Kraftfelder sowie für die Durchführung von Molekulardynamik (MD) zu minimieren. Dies weckt neue Hoffnungen bei der Lösung des Dilemmas zwischen Genauigkeit und Effizienz bei molekularen Simulationen. Die Anwendungen des DeePMD-Kits reichen von endlichen Molekülen bis hin zu ausgedehnten Systemen und von metallischen Systemen bis hin zu chemisch gebundenen Systemen.
Weitere Informationen finden Sie in der Dokumentation.
Das Projekt DeePMD-kit ist unter GNU LGPLv3.0 lizenziert. Wenn Sie diesen Code in zukünftigen Veröffentlichungen verwenden, zitieren Sie bitte die folgenden Veröffentlichungen für allgemeine Zwecke:
Bitte folgen Sie außerdem der bib-Datei, um die von Ihnen verwendeten Methoden anzugeben.
Das Ziel von Deep Potential besteht darin, Deep-Learning-Techniken einzusetzen und ein interatomares potentielles Energiemodell zu realisieren, das allgemein, genau, recheneffizient und skalierbar ist. Die Schlüsselkomponente besteht darin, die umfangreichen und symmetrieinvarianten Eigenschaften eines potentiellen Energiemodells zu berücksichtigen, indem jedem Atom ein lokaler Referenzrahmen und eine lokale Umgebung zugewiesen werden. Jede Umgebung enthält eine endliche Anzahl von Atomen, deren lokale Koordinaten symmetrieerhaltend angeordnet sind. Diese lokalen Koordinaten werden dann über ein Teilnetzwerk in sogenannte Atomenergie umgewandelt. Die Summe aller Atomenergien ergibt die potentielle Energie des Systems.
Der erste Proof of Concept findet sich im Deep Potential-Artikel, in dem ein Ansatz verwendet wurde, der darauf abzielte, das neuronale Netzwerkmodell nur mit der potenziellen Energie zu trainieren. Bei typischen Ab-initio- Molekulardynamik-Datensätzen (AIMD) reicht dies nicht aus, um die Trajektorien zu reproduzieren. Das Deep Potential Molecular Dynamics (DeePMD)-Modell überwindet diese Einschränkung. Darüber hinaus verbessert sich der Lernprozess in DeePMD im Vergleich zur Deep Potential-Methode dank der Einführung einer flexiblen Familie von Verlustfunktionen erheblich. Das auf diese Weise konstruierte NN-Potenzial reproduziert genau die AIMD-Trajektorien, sowohl die klassische als auch die Quantenbahn (Pfadintegral), in erweiterten und endlichen Systemen, und zwar zu Kosten, die linear mit der Systemgröße skalieren und immer mehrere Größenordnungen niedriger sind als die der entsprechenden AIMD Simulationen.
Obwohl das ursprüngliche Deep-Potential-Modell sehr effizient ist, erfüllt es die umfangreichen und symmetrieinvarianten Eigenschaften eines Potentialenergiemodells auf Kosten der Einführung von Diskontinuitäten im Modell. Dies hat einen vernachlässigbaren Einfluss auf eine Flugbahn aus der kanonischen Probenahme, reicht jedoch möglicherweise nicht für die Berechnung dynamischer und mechanischer Eigenschaften aus. Diese Punkte motivierten uns, das Deep Potential-Smooth Edition (DeepPot-SE)-Modell zu entwickeln, das den nicht-glatten lokalen Rahmen durch ein glattes und adaptives Einbettungsnetzwerk ersetzt. DeepPot-SE zeigt große Fähigkeiten bei der Modellierung vieler Arten von Systemen, die in den Bereichen Physik, Chemie, Biologie und Materialwissenschaften von Interesse sind.
Neben der Erstellung potenzieller Energiemodelle kann das DeePMD-Kit auch zur Erstellung grobkörniger Modelle verwendet werden. In diesen Modellen ist die Größe, die wir parametrisieren möchten, die freie Energie oder das grobkörnige Potenzial der grobkörnigen Partikel. Weitere Einzelheiten finden Sie im DeePCG-Papier.
se_e2_r , se_e3 und se_atten (DPA-1).Einzelheiten zu allen Funktionen bis Version 2.2.3 finden Sie in unserem neuesten Dokument.
Bitte lesen Sie die Online-Dokumentation zur Installation und Verwendung des DeePMD-Kits.
Der Code ist wie folgt aufgebaut:
examples : Beispiele.deepmd : DeePMD-Kit-Python-Module.source/lib : Quellcode der Kernbibliothek.source/op : Operator (OP)-Implementierung.source/api_cc : Quellcode der DeePMD-kit C++ API.source/api_c : Quellcode der C-API.source/nodejs : Quellcode der Node.js-API.source/ipi : Quellcode des i-PI-Clients.source/lmp : Quellcode des LAMMPS-Moduls.source/gmx : Quellcode des Gromacs-Plugins.Sehen Sie sich den DeePMD-kit Contributing Guide an, um Mitwirkender zu werden! ?
