deepmd kit

---

DeePMD 키트

DeePMD 키트 소개

DeePMD-kit은 Python/C++로 작성된 패키지로, 원자간 위치에너지 및 힘장에 대한 딥러닝 기반 모델을 구축하고 분자동역학(MD)을 수행하는 데 필요한 노력을 최소화하도록 설계되었습니다. 이는 분자 시뮬레이션의 정확성 대 효율성 딜레마를 해결하는 데 새로운 희망을 불러일으킵니다. DeePMD 키트의 응용 분야는 유한 분자부터 확장 시스템까지, 금속 시스템부터 화학적으로 결합된 시스템까지 다양합니다.

자세한 내용은 설명서를 확인하세요.

주요 기능

• 가장 널리 사용되는 딥 러닝 프레임워크인 TensorFlow, PyTorch 및 JAX를 포함한 여러 백엔드와 인터페이스되어 교육 프로세스를 매우 자동적이고 효율적으로 만듭니다.
• LAMMPS, i-PI, AMBER, CP2K, GROMACS, OpenMM 및 ABACUS를 포함한 고성능 클래식 MD 및 양자(경로 통합) MD 패키지와 인터페이스됩니다 .
• 유기 분자, 금속, 반도체, 절연체 등을 포함한 유한 및 확장 시스템에 성공적으로 적용된 Deep Potential 시리즈 모델을 구현합니다 .
• MPI 및 GPU 지원을 구현하여 고성능 병렬 및 분산 컴퓨팅에 매우 효율적입니다.
• 고도로 모듈화되어 있으며 딥 러닝 기반 위치 에너지 모델을 위한 다양한 설명자에 쉽게 적응할 수 있습니다.

라이센스 및 크레딧

프로젝트 DeePMD-kit은 GNU LGPLv3.0에 따라 라이센스가 부여됩니다. 향후 출판물에서 이 코드를 사용하는 경우 일반적인 목적으로 다음 출판물을 인용하십시오.

• Han Wang, Linfeng Zhang, Jiequn Han, Weinan E. "DeePMD-kit: 다체 위치 에너지 표현 및 분자 역학을 위한 딥 러닝 패키지." 컴퓨터 물리학 커뮤니케이션 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: 잠재력이 깊은 모델을 위한 소프트웨어 패키지입니다." J.Chem. 물리. 159(2023): 054801.

또한, 사용한 방법을 인용하려면 bib 파일을 따르십시오.

주요 버전의 주요 내용

초기 버전

Deep Potential의 목표는 딥 러닝 기술을 사용하여 일반적이고 정확하며 계산 효율적이고 확장 가능한 원자간 포텐셜 에너지 모델을 실현하는 것입니다. 핵심 구성 요소는 각 원자에 로컬 기준 프레임과 로컬 환경을 할당하여 위치 에너지 모델의 광범위하고 대칭 불변 특성을 존중하는 것입니다. 각 환경에는 유한한 수의 원자가 포함되어 있으며 해당 원자의 로컬 좌표는 대칭을 유지하는 방식으로 배열되어 있습니다. 이러한 로컬 좌표는 하위 네트워크를 통해 소위 원자 에너지 로 변환됩니다. 모든 원자 에너지를 합산하면 시스템의 위치 에너지가 제공됩니다.

초기 개념 증명은 Deep Potential 논문에 있습니다. 이 논문은 위치 에너지만으로 신경망 모델을 훈련하기 위해 고안된 접근 방식을 사용했습니다. 일반적인 AIMD( ab initio 분자 역학) 데이터 세트를 사용하면 궤적을 재현하기에는 충분하지 않습니다. Deep Potential Molecular Dynamics(DeePMD) 모델은 이러한 한계를 극복합니다. 또한 DeePMD의 학습 프로세스는 유연한 손실 함수 제품군 도입 덕분에 Deep Potential 방법에 비해 크게 향상되었습니다. 이러한 방식으로 구성된 NN 잠재력은 시스템 크기에 따라 선형적으로 확장되고 항상 동등한 AIMD보다 몇 배 더 낮은 비용으로 확장 및 유한 시스템에서 고전 및 양자(경로 적분) 모두의 AIMD 궤적을 정확하게 재현합니다. 시뮬레이션.

비록 매우 효율적이지만 원래의 Deep Potential 모델은 모델에 불연속성을 도입하는 대가로 위치 에너지 모델의 광범위하고 대칭 불변 특성을 충족합니다. 이는 표준 샘플링의 궤적에 무시할 만한 영향을 미치지만 동적 및 기계적 특성을 계산하는 데는 충분하지 않을 수 있습니다. 이러한 점은 우리가 매끄럽지 않은 로컬 프레임을 부드럽고 적응형 임베딩 네트워크로 대체하는 Deep Potential-Smooth Edition(DeepPot-SE) 모델을 개발하도록 동기를 부여했습니다. DeepPot-SE는 물리학, 화학, 생물학, 재료과학 분야에서 관심을 끄는 다양한 종류의 시스템을 모델링하는 데 탁월한 능력을 보여줍니다.

위치 에너지 모델을 구축하는 것 외에도 DeePMD 키트를 사용하여 대략적인 모델을 구축할 수도 있습니다. 이러한 모델에서 우리가 매개변수화하려는 양은 거친 입자의 자유 에너지 또는 거친 입자의 전위입니다. 자세한 내용은 DeePCG 문서를 참조하세요.

v1

• 고도로 모듈화되도록 코드를 리팩터링합니다.
• 설명자를 위한 GPU 지원.

v2

• 모델 압축. 모델 추론의 효율성을 4~15배 가속화합니다.
• 새로운 설명자. se_e2_r , se_e3 및 se_atten (DPA-1)을 포함합니다.
• 설명자의 혼성화. 여러 설명자를 연결하여 구성된 하이브리드 설명자입니다.
• 원자 유형 임베딩. 훈련 복잡성을 줄이고 성능을 개선하기 위해 원자 유형 임베딩을 활성화합니다.
• 쌍극자(벡터) 및 분극성(행렬)의 훈련 및 추론.
• 훈련 및 검증 데이터 세트를 분할합니다.
• CUDA 및 ROCm을 포함한 GPU에 대한 최적화된 교육입니다.
• 비 폰 노이만.
• 타사 패키지와 인터페이스하기 위한 C API입니다.

v2.2.3까지의 모든 기능에 대한 자세한 내용은 최신 문서를 참조하세요.

v3

• 여러 백엔드가 지원됩니다. PyTorch 및 JAX 백엔드를 추가합니다.
• DPA-2 모델.
• 외부 모델을 위한 플러그인 메커니즘.

DeePMD 키트 설치 및 사용

DeePMD-kit 설치 및 사용 방법에 대한 온라인 설명서를 읽어보십시오.

코드 구조

코드는 다음과 같이 구성됩니다.

• examples : 예.
• deepmd : DeePMD-kit Python 모듈.
• source/lib : 핵심 라이브러리의 소스 코드입니다.
• source/op : 연산자(OP) 구현입니다.
• source/api_cc : DeePMD-kit C++ API의 소스 코드입니다.
• source/api_c : C API의 소스 코드입니다.
• source/nodejs : Node.js API의 소스 코드입니다.
• source/ipi : i-PI 클라이언트의 소스 코드입니다.
• source/lmp : LAMMPS 모듈의 소스 코드입니다.
• source/gmx : Gromacs 플러그인의 소스 코드입니다.

기여

기여자가 되려면 DeePMD-kit 기여 가이드를 참조하세요! ?