deepmd kit
v3.0.0
DeePMD-kit est un package écrit en Python/C++, conçu pour minimiser l'effort requis pour créer un modèle basé sur l'apprentissage en profondeur de l'énergie potentielle interatomique et du champ de force et pour effectuer la dynamique moléculaire (MD). Cela apporte de nouveaux espoirs pour résoudre le dilemme précision/efficacité dans les simulations moléculaires. Les applications du kit DeePMD s'étendent des molécules finies aux systèmes étendus et des systèmes métalliques aux systèmes liés chimiquement.
Pour plus d’informations, consultez la documentation.
Le projet DeepPMD-kit est sous licence GNU LGPLv3.0. Si vous utilisez ce code dans des publications futures, veuillez citer les publications suivantes à titre général :
De plus, merci de suivre le fichier bib pour citer les méthodes que vous avez utilisées.
L’objectif de Deep Potential est d’utiliser des techniques d’apprentissage en profondeur et de réaliser un modèle d’énergie potentielle interatomique qui soit général, précis, efficace sur le plan informatique et évolutif. L'élément clé est de respecter les propriétés extensives et invariantes de symétrie d'un modèle d'énergie potentielle en attribuant un cadre de référence local et un environnement local à chaque atome. Chaque environnement contient un nombre fini d'atomes, dont les coordonnées locales sont disposées de manière à préserver la symétrie. Ces coordonnées locales sont ensuite transformées, via un sous-réseau, en énergie dite atomique . La somme de toutes les énergies atomiques donne l’énergie potentielle du système.
La preuve de concept initiale se trouve dans l'article Deep Potential, qui a utilisé une approche conçue pour entraîner le modèle de réseau neuronal avec l'énergie potentielle uniquement. Avec les ensembles de données typiques de dynamique moléculaire ab initio (AIMD), cela est insuffisant pour reproduire les trajectoires. Le modèle Deep Potential Molecular Dynamics (DeePMD) surmonte cette limitation. De plus, le processus d'apprentissage dans DeePMD s'améliore considérablement par rapport à la méthode Deep Potential grâce à l'introduction d'une famille flexible de fonctions de perte. Le potentiel NN construit de cette manière reproduit avec précision les trajectoires AIMD, à la fois classiques et quantiques (intégrale de chemin), dans des systèmes étendus et finis, à un coût qui évolue linéairement avec la taille du système et est toujours inférieur de plusieurs ordres de grandeur à celui d'un AIMD équivalent. simulations.
Bien que très efficace, le modèle Deep Potential original satisfait aux propriétés extensives et invariantes de symétrie d'un modèle d'énergie potentielle au prix de l'introduction de discontinuités dans le modèle. Cela a une influence négligeable sur une trajectoire issue de l'échantillonnage canonique mais pourrait ne pas être suffisant pour les calculs de propriétés dynamiques et mécaniques. Ces points nous ont motivés à développer le modèle Deep Potential-Smooth Edition (DeepPot-SE), qui remplace le cadre local non fluide par un réseau d'intégration fluide et adaptatif. DeepPot-SE fait preuve d'une grande capacité à modéliser de nombreux types de systèmes présentant un intérêt dans les domaines de la physique, de la chimie, de la biologie et de la science des matériaux.
En plus de créer des modèles énergétiques potentiels, le kit DeePMD peut également être utilisé pour créer des modèles à gros grains. Dans ces modèles, la quantité que nous souhaitons paramétrer est l’énergie libre, ou le potentiel à gros grains, des particules à gros grains. Voir l'article DeepPCG pour plus de détails.
se_e2_r , se_e3 et se_atten (DPA-1).Consultez notre dernier article pour plus de détails sur toutes les fonctionnalités jusqu'à la version 2.2.3.
Veuillez lire la documentation en ligne pour savoir comment installer et utiliser DeepPMD-kit.
Le code est organisé comme suit :
examples : exemples.deepmd : modules python du kit DeepPMD.source/lib : code source de la bibliothèque principale.source/op : implémentation de l'opérateur (OP).source/api_cc : code source de l'API C++ de DeePMD-kit.source/api_c : code source de l'API C.source/nodejs : code source de l'API Node.js.source/ipi : code source du client i-PI.source/lmp : code source du module LAMMPS.source/gmx : code source du plugin Gromacs.Consultez le guide de contribution de DeepPMD-kit pour devenir contributeur ! ?
