deepmd kit

---

DeePMD キット

DeePMDキットについて

DeePMD-kit は Python/C++ で書かれたパッケージで、原子間の位置エネルギーと力場の深層学習ベースのモデルを構築し、分子動力学 (MD) を実行するために必要な労力を最小限に抑えるように設計されています。これは、分子シミュレーションにおける精度対効率のジレンマに対処する新たな希望をもたらします。 DeePMD キットのアプリケーションは、有限分子から拡張システム、金属システムから化学結合システムまで多岐にわたります。

詳細については、ドキュメントを確認してください。

注目の機能

• 最も人気のある深層学習フレームワークである TensorFlow、PyTorch、JAX などの複数のバックエンドとインターフェイスし、トレーニング プロセスを高度に自動化および効率化します。
• LAMMPS、i-PI、AMBER、CP2K、GROMACS、OpenMM、ABACUS などの高性能古典 MD および量子 (パス積分) MD パッケージとインターフェイスします。
• はディープ ポテンシャル シリーズ モデルを実装しており、有機分子、金属、半導体、絶縁体などを含む有限および拡張システムに適用することに成功しています。
• MPI と GPU サポートを実装し、高性能の並列および分散コンピューティングを非常に効率的に実行します。
• 高度にモジュール化されており、深層学習ベースの位置エネルギー モデルのさまざまな記述子に簡単に適応できます。

ライセンスとクレジット

プロジェクト DeePMD-kit は、GNU LGPLv3.0 に基づいてライセンスされています。今後の出版物でこのコードを使用する場合は、一般的な目的で次の出版物を引用してください。

• Han Wang、Linfeng Zhang、Jiequn Han、Weinan E. 「DeePMD-kit: 多体位置エネルギー表現と分子動力学のための深層学習パッケージ」コンピュータ物理通信 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、ダビデ・ティシ、チーユ・ゼン、ハン・バオ、ユー・シア、ジアメン・ファン、村岡幸樹、 Yibo Wang、Junhan Chang、Fengbo Yuan、Sigbjørn Løland Bore、Chun Cai、yingnian Lin、Bo Wang、Jiayan Xu、Jia-Xin Zhu、Chenxing Luo、Yuzhi Zhang、Rhys EA Goodall、Wenshuo Liang、Anurag Kumar Singh、Sikai Yao、ジンチャオ・チャン、レナータ・ウェンツコビッチ、ジークンハン、Jie Liu、Weile Jia、Darrin M. York、Weinan E、Roberto Car、Linfeng Zhang、Han Wang。 「DeePMD-kit v2: ディープ ポテンシャル モデル用のソフトウェア パッケージ」 Ｊ．Ｃｈｅｍ．物理学。 159 (2023): 054801。

さらに、bib ファイルに従って、使用したメソッドを引用してください。

メジャーバージョンのハイライト

初期バージョン

Deep Potential の目標は、深層学習技術を採用し、一般的で正確、計算効率が高く、スケーラブルな原子間ポテンシャル エネルギー モデルを実現することです。重要なコンポーネントは、各原子にローカル参照フレームとローカル環境を割り当てることによって、位置エネルギー モデルの広範かつ対称不変の特性を尊重することです。各環境には有限数の原子が含まれており、そのローカル座標は対称性が保たれるように配置されています。これらのローカル座標は、サブネットワークを通じて、いわゆる原子エネルギーに変換されます。すべての原子エネルギーを合計すると、系の位置エネルギーが得られます。

最初の概念実証は Deep Potential 論文にあり、位置エネルギーのみを使用してニューラル ネットワーク モデルをトレーニングするために考案されたアプローチが採用されています。典型的な非経験分子動力学 (AIMD) データセットでは、これでは軌跡を再現するには不十分です。深層電位分子動力学 (DeePMD) モデルは、この制限を克服します。さらに、DeePMD の学習プロセスは、柔軟な損失関数群の導入により、ディープ ポテンシャル法に比べて大幅に改善されています。この方法で構築された NN ポテンシャルは、拡張された有限システムにおける古典的および量子 (経路積分) の両方の AIMD 軌道を、システム サイズに線形にスケールするコストで正確に再現し、同等の AIMD のコストよりも常に数桁低くなります。シミュレーション。

オリジナルのディープ ポテンシャル モデルは効率が高いですが、モデル内に不連続性が生じるという代償を払って、ポテンシャル エネルギー モデルの広範かつ対称不変の特性を満たしています。これは、標準サンプリングからの軌跡にほとんど影響を与えませんが、動的および機械的特性の計算には十分ではない可能性があります。これらの点が、私たちが、滑らかでないローカル フレームを滑らかで適応性のある埋め込みネットワークに置き換える Deep Potential-Smooth Edition (DeepPot-SE) モデルを開発する動機となりました。 DeepPot-SE は、物理学、化学、生物学、材料科学の分野で関心のあるさまざまな種類のシステムをモデル化する際に優れた能力を発揮します。

DeePMD キットは、位置エネルギー モデルの構築に加えて、粗粒度モデルの構築にも使用できます。これらのモデルでパラメータ化したい量は、粗粒粒子の自由エネルギー、または粗粒ポテンシャルです。詳細については、DeePCG の論文を参照してください。

v1

• コードをリファクタリングして高度にモジュール化します。
• 記述子の GPU サポート。

v2

• モデルの圧縮。モデル推論の効率が 4 ～ 15 倍高速化されます。
• 新しい記述子。 se_e2_r 、 se_e3 、およびse_atten (DPA-1) を含みます。
• 記述子のハイブリッド化。複数の記述子の連結から構築されたハイブリッド記述子。
• アトムタイプの埋め込み。アトムタイプの埋め込みを有効にしてトレーニングの複雑さを軽減し、パフォーマンスを向上させます。
• 双極子 (ベクトル) と分極率 (行列) のトレーニングと推論。
• トレーニングと検証のデータセットの分割。
• CUDA や ROCm などの GPU でのトレーニングが最適化されました。
• 非フォン・ノイマン。
• サードパーティパッケージとインターフェースするための C API。

v2.2.3 までのすべての機能の詳細については、最新のペーパーを参照してください。

v3

• 複数のバックエンドがサポートされています。 PyTorch と JAX バックエンドを追加します。
• DPA-2モデルです。
• 外部モデルのプラグイン メカニズム。

DeePMD-kitをインストールして使用する

DeePMD-kit のインストールおよび使用方法については、オンライン ドキュメントをお読みください。

コード構造

コードは次のように構成されています。

• examples : 例。
• deepmd : DeePMD-kit Python モジュール。
• source/lib : コアライブラリのソースコード。
• source/op : オペレーター (OP) の実装。
• source/api_cc : DeePMD-kit C++ APIのソースコード。
• source/api_c : C API のソースコード。
• source/nodejs : Node.js APIのソースコード。
• source/ipi : i-PI クライアントのソースコード。
• source/lmp : LAMMPS モジュールのソースコード。
• source/gmx : Gromacs プラグインのソースコード。

貢献する

貢献者になるには、DeePMD-kit 貢献ガイドを参照してください。 ?