Unduh deepmd kit - pengunduhan kode sumber deepmd kit

deepmd kit

C/C++

v3.0.0

Unduh

Logo kit DeePMD

Kit DeePMD

Tentang kit DeePMD

DeePMD-kit adalah paket yang ditulis dengan Python/C++, dirancang untuk meminimalkan upaya yang diperlukan untuk membangun model energi potensial dan medan gaya interatomik berbasis pembelajaran mendalam dan untuk melakukan dinamika molekuler (MD). Hal ini membawa harapan baru untuk mengatasi dilema akurasi versus efisiensi dalam simulasi molekuler. Penerapan kit DeePMD berkisar dari molekul terbatas hingga sistem yang diperluas dan dari sistem logam hingga sistem yang terikat secara kimia.

Untuk informasi lebih lanjut, periksa dokumentasi.

Fitur yang disorot

dihubungkan dengan beberapa backend , termasuk TensorFlow, PyTorch, dan JAX, framework deep learning paling populer, menjadikan proses pelatihan menjadi sangat otomatis dan efisien.
dihubungkan dengan paket MD klasik dan kuantum (path-integral) performa tinggi , termasuk LAMMPS, i-PI, AMBER, CP2K, GROMACS, OpenMM, dan ABACUS.
mengimplementasikan model seri Potensi Dalam , yang telah berhasil diterapkan pada sistem terbatas dan diperluas, termasuk molekul organik, logam, semikonduktor, isolator, dll.
mengimplementasikan dukungan MPI dan GPU , sehingga sangat efisien untuk komputasi paralel dan terdistribusi berkinerja tinggi.
sangat termodulasi , mudah beradaptasi dengan deskriptor yang berbeda untuk model energi potensial berbasis pembelajaran mendalam.

Lisensi dan kredit

Proyek DeePMD-kit dilisensikan di bawah GNU LGPLv3.0. Jika Anda menggunakan kode ini dalam publikasi mendatang, harap kutip publikasi berikut untuk tujuan umum:

Han Wang, Linfeng Zhang, Jiequn Han, dan Weinan E. "DeePMD-kit: Paket pembelajaran mendalam untuk representasi energi potensial dan dinamika molekuler banyak benda." Komunikasi Fisika Komputer 228 (2018): 178-184.
Jinzhe Zeng, Duo Zhang, Denghui Lu, Pinghui Mo, Zeyu Li, Yixiao Chen, Marián Rynik, Li'ang Huang, Ziyao Li, Shaochen Shi, Yingze Wang, Haotian Ye, Ping Tuo, Jiabin Yang, Ye Ding, Yifan Li, Davide Tisi, Qiyu Zeng, Han Bao, Yu Xia, Jiameng Huang, Koki Muraoka, Yibo Wang, Junhan Chang, Fengbo Yuan, Sigbjørn Løland Bore, Chun Cai, Yinnian Lin, Bo Wang, Jiayan Xu, Jia-Xin Zhu, Chenxing Luo, Yuzhi Zhang, Rhys EA Goodall, Wenshuo Liang, Anurag Kumar Singh, Sikai Yao, Jingchao Zhang, Renata Wentzcovitch, Jiequn Han, Jie Liu, Weile Jia, Darrin M. York, Weinan E, Roberto Car, Linfeng Zhang, Han Wang. "DeePMD-kit v2: Paket perangkat lunak untuk model yang sangat potensial." J.kimia. Fis. 159 (2023): 054801.

Selain itu, silakan ikuti file bib untuk mengutip metode yang Anda gunakan.

Sorotan dalam versi utama

Versi awal

Tujuan dari Potensi Mendalam adalah untuk menerapkan teknik pembelajaran mendalam dan mewujudkan model energi potensial antar atom yang bersifat umum, akurat, efisien secara komputasi, dan terukur. Komponen kuncinya adalah menghormati sifat ekstensif dan invarian simetri dari model energi potensial dengan menetapkan kerangka acuan lokal dan lingkungan lokal untuk setiap atom. Setiap lingkungan mengandung sejumlah atom yang terbatas, yang koordinat lokalnya disusun dengan cara yang menjaga simetri. Koordinat lokal ini kemudian diubah, melalui sub-jaringan, menjadi apa yang disebut energi atom . Menjumlahkan semua energi atom menghasilkan energi potensial sistem.

Bukti awal konsep ini terdapat dalam makalah Deep Potensial, yang menggunakan pendekatan yang dirancang untuk melatih model jaringan saraf dengan energi potensial saja. Dengan kumpulan data dinamika molekuler ab initio (AIMD) yang khas, hal ini tidak cukup untuk mereproduksi lintasan. Model Deep Potensi Molecular Dynamics (DeePMD) mengatasi keterbatasan ini. Selain itu, proses pembelajaran di DeePMD meningkat secara signifikan dibandingkan metode Deep Potensi berkat pengenalan rangkaian fungsi kerugian yang fleksibel. Potensi NN yang dibangun dengan cara ini mereproduksi secara akurat lintasan AIMD, baik klasik maupun kuantum (integral jalur), dalam sistem yang diperluas dan terbatas, dengan biaya yang berskala linier dengan ukuran sistem dan selalu beberapa kali lipat lebih rendah daripada AIMD yang setara. simulasi.

Meskipun sangat efisien, model Potensi Dalam yang asli memenuhi sifat ekstensif dan invarian simetri dari model energi potensial dengan mengorbankan diskontinuitas dalam model. Hal ini memiliki pengaruh yang dapat diabaikan pada lintasan dari pengambilan sampel kanonik namun mungkin tidak cukup untuk perhitungan sifat dinamis dan mekanik. Poin-poin ini memotivasi kami untuk mengembangkan model Deep Potensi-Smooth Edition (DeepPot-SE), yang menggantikan kerangka lokal yang tidak mulus dengan jaringan penyematan yang halus dan adaptif. DeepPot-SE menunjukkan kemampuan luar biasa dalam memodelkan berbagai jenis sistem yang diminati di bidang fisika, kimia, biologi, dan ilmu material.

Selain membangun model energi potensial, kit DeePMD juga dapat digunakan untuk membangun model kasar. Dalam model ini, besaran yang ingin kita ukur adalah energi bebas, atau potensial butiran kasar, dari partikel berbutir kasar. Lihat makalah DeePCG untuk lebih jelasnya.

v1

Kode refactor untuk membuatnya sangat termodulasi.
Dukungan GPU untuk deskriptor.

v2

Kompresi model. Mempercepat efisiensi inferensi model 4-15 kali lipat.
Deskriptor baru. Termasuk se_e2_r , se_e3 , dan se_atten (DPA-1).
Hibridisasi deskriptor. Deskriptor hibrid dibangun dari gabungan beberapa deskriptor.
Penyematan tipe atom. Aktifkan penyematan tipe atom untuk mengurangi kompleksitas pelatihan dan menyempurnakan kinerja.
Pelatihan dan inferensi dipol (vektor) dan polarisasi (matriks).
Pemisahan set data pelatihan dan validasi.
Pelatihan GPU yang dioptimalkan, termasuk CUDA dan ROCm.
Non-von-Neumann.
C API untuk berinteraksi dengan paket pihak ketiga.

Lihat makalah terbaru kami untuk detail semua fitur hingga v2.2.3.