deepmd kit
v3.0.0
DeePMD-kit es un paquete escrito en Python/C++, diseñado para minimizar el esfuerzo requerido para construir un modelo basado en aprendizaje profundo de energía potencial interatómica y campo de fuerza y para realizar dinámica molecular (MD). Esto genera nuevas esperanzas para abordar el dilema precisión versus eficiencia en las simulaciones moleculares. Las aplicaciones del kit DeePMD abarcan desde moléculas finitas hasta sistemas extendidos y desde sistemas metálicos hasta sistemas unidos químicamente.
Para más información, consulta la documentación.
El proyecto DeePMD-kit tiene licencia GNU LGPLv3.0. Si utiliza este código en publicaciones futuras, cite las siguientes publicaciones para fines generales:
Además, siga el archivo bib para citar los métodos que utilizó.
El objetivo de Deep Potential es emplear técnicas de aprendizaje profundo y realizar un modelo de energía potencial interatómica que sea general, preciso, computacionalmente eficiente y escalable. El componente clave es respetar las propiedades extensivas e invariantes de simetría de un modelo de energía potencial asignando un marco de referencia local y un entorno local a cada átomo. Cada entorno contiene un número finito de átomos, cuyas coordenadas locales están dispuestas de forma que preserven la simetría. Estas coordenadas locales se transforman luego, a través de una subred, en la llamada energía atómica . La suma de todas las energías atómicas da la energía potencial del sistema.
La prueba de concepto inicial se encuentra en el artículo Deep Potential, que empleó un enfoque ideado para entrenar el modelo de red neuronal solo con energía potencial. Con conjuntos de datos típicos de dinámica molecular ab initio (AIMD), esto es insuficiente para reproducir las trayectorias. El modelo de dinámica molecular de potencial profundo (DeePMD) supera esta limitación. Además, el proceso de aprendizaje en DeePMD mejora significativamente con respecto al método Deep Potential gracias a la introducción de una familia flexible de funciones de pérdida. El potencial NN construido de esta manera reproduce con precisión las trayectorias AIMD, tanto clásicas como cuánticas (integral de trayectoria), en sistemas extendidos y finitos, a un costo que escala linealmente con el tamaño del sistema y es siempre varios órdenes de magnitud menor que el de AIMD equivalente. simulaciones.
Aunque es muy eficiente, el modelo de potencial profundo original satisface las propiedades extensivas e invariantes de simetría de un modelo de energía potencial al precio de introducir discontinuidades en el modelo. Esto tiene una influencia insignificante en una trayectoria del muestreo canónico, pero podría no ser suficiente para los cálculos de propiedades dinámicas y mecánicas. Estos puntos nos motivaron a desarrollar el modelo Deep Potential-Smooth Edition (DeepPot-SE), que reemplaza el marco local no suave con una red de integración suave y adaptable. DeepPot-SE muestra una gran capacidad para modelar muchos tipos de sistemas que son de interés en los campos de la física, la química, la biología y la ciencia de materiales.
Además de crear modelos de energía potencial, DeePMD-kit también se puede utilizar para crear modelos de grano grueso. En estos modelos, la cantidad que queremos parametrizar es la energía libre, o el potencial de grano grueso, de las partículas de grano grueso. Consulte el artículo de DeePCG para obtener más detalles.
se_e2_r , se_e3 y se_atten (DPA-1).Consulte nuestro artículo más reciente para obtener detalles de todas las funciones hasta la versión 2.2.3.
Lea la documentación en línea sobre cómo instalar y utilizar DeePMD-kit.
El código está organizado de la siguiente manera:
examples : ejemplos.deepmd : módulos de Python del kit DeePMD.source/lib : código fuente de la biblioteca principal.source/op : Implementación del operador (OP).source/api_cc : código fuente de la API C++ del kit DeePMD.source/api_c : código fuente de la API de C.source/nodejs : código fuente de la API de Node.js.source/ipi : código fuente del cliente i-PI.source/lmp : código fuente del módulo LAMMPS.source/gmx : código fuente del complemento Gromacs.¡Consulte la Guía de contribución de DeePMD-kit para convertirse en colaborador! ?
