deepmd kit
v3.0.0
DeePMD-kit é um pacote escrito em Python/C++, projetado para minimizar o esforço necessário para construir um modelo baseado em aprendizado profundo de energia potencial interatômica e campo de força e para realizar dinâmica molecular (MD). Isso traz novas esperanças para resolver o dilema precisão versus eficiência em simulações moleculares. As aplicações do kit DeePMD abrangem desde moléculas finitas até sistemas estendidos e desde sistemas metálicos até sistemas quimicamente ligados.
Para mais informações, verifique a documentação.
O projeto DeePMD-kit está licenciado sob GNU LGPLv3.0. Se você usar este código em publicações futuras, cite as seguintes publicações para fins gerais:
Além disso, siga o arquivo bib para citar os métodos que você usou.
O objetivo do Deep Potential é empregar técnicas de aprendizagem profunda e realizar um modelo de energia potencial interatômico que seja geral, preciso, computacionalmente eficiente e escalável. O componente chave é respeitar as propriedades extensivas e invariantes à simetria de um modelo de energia potencial, atribuindo um referencial local e um ambiente local a cada átomo. Cada ambiente contém um número finito de átomos, cujas coordenadas locais são organizadas de forma que preserva a simetria. Estas coordenadas locais são então transformadas, através de uma sub-rede, na chamada energia atómica . A soma de todas as energias atômicas dá a energia potencial do sistema.
A prova de conceito inicial está no artigo Deep Potential, que empregou uma abordagem que foi desenvolvida para treinar o modelo de rede neural apenas com a energia potencial. Com conjuntos de dados típicos de dinâmica molecular ab initio (AIMD), isso é insuficiente para reproduzir as trajetórias. O modelo Deep Potential Molecular Dynamics (DeePMD) supera essa limitação. Além disso, o processo de aprendizagem no DeePMD melhora significativamente em relação ao método Deep Potential graças à introdução de uma família flexível de funções de perda. O potencial NN construído desta forma reproduz com precisão as trajetórias AIMD, tanto clássicas quanto quânticas (integral de caminho), em sistemas estendidos e finitos, a um custo que aumenta linearmente com o tamanho do sistema e é sempre várias ordens de magnitude inferior ao do AIMD equivalente. simulações.
Embora altamente eficiente, o modelo Deep Potential original satisfaz as propriedades extensas e invariantes de simetria de um modelo de energia potencial ao preço da introdução de descontinuidades no modelo. Isto tem influência insignificante na trajetória da amostragem canônica, mas pode não ser suficiente para cálculos de propriedades dinâmicas e mecânicas. Esses pontos nos motivaram a desenvolver o modelo Deep Potential-Smooth Edition (DeepPot-SE), que substitui o quadro local não suave por uma rede de incorporação suave e adaptativa. DeepPot-SE mostra grande habilidade na modelagem de muitos tipos de sistemas que são de interesse nas áreas de física, química, biologia e ciência de materiais.
Além de construir modelos de energia potencial, o kit DeePMD também pode ser usado para construir modelos de granulação grossa. Nestes modelos, a quantidade que queremos parametrizar é a energia livre, ou o potencial de granulação grossa, das partículas de granulação grossa. Consulte o artigo do DeePCG para obter mais detalhes.
se_e2_r , se_e3 e se_atten (DPA-1).Consulte nosso artigo mais recente para obter detalhes de todos os recursos até a versão 2.2.3.
Por favor, leia a documentação online sobre como instalar e usar o kit DeePMD.
O código está organizado da seguinte forma:
examples : exemplos.deepmd : módulos python do kit DeePMD.source/lib : código fonte da biblioteca principal.source/op : implementação do operador (OP).source/api_cc : código fonte da API C++ do DeePMD-kit.source/api_c : código fonte da API C.source/nodejs : código fonte da API Node.js.source/ipi : código fonte do cliente i-PI.source/lmp : código fonte do módulo LAMMPS.source/gmx : código fonte do plugin Gromacs.Consulte o Guia de contribuição do DeePMD-kit para se tornar um contribuidor! ?
