Скачать deepmd kit - Скачать исходный код deepmd kit

deepmd kit

С/С++

v3.0.0

Скачать

Логотип комплекта DeePMD

Комплект DeePMD

О комплекте DeePMD

DeePMD-kit — это пакет, написанный на Python/C++, предназначенный для минимизации усилий, необходимых для построения модели межатомной потенциальной энергии и силового поля на основе глубокого обучения, а также для выполнения молекулярной динамики (МД). Это дает новые надежды на решение дилеммы точности и эффективности в молекулярном моделировании. Область применения набора DeePMD варьируется от конечных молекул до расширенных систем и от металлических систем до химически связанных систем.

Для получения дополнительной информации проверьте документацию.

Выделенные особенности

взаимодействует с несколькими бэкэндами , включая TensorFlow, PyTorch и JAX, самые популярные среды глубокого обучения, что делает процесс обучения высокоавтоматизированным и эффективным.
сопряжен с высокопроизводительными пакетами классической MD и квантовыми (интегральными по путям) MD , включая LAMMPS, i-PI, AMBER, CP2K, GROMACS, OpenMM и ABACUS.
реализует модели серии Deep Potential , которые успешно применяются к конечным и протяженным системам, включая органические молекулы, металлы, полупроводники, изоляторы и т. д.
реализует поддержку MPI и GPU , что делает его высокоэффективным для высокопроизводительных параллельных и распределенных вычислений.
высокомодульный , легко адаптируемый к различным дескрипторам для моделей потенциальной энергии на основе глубокого обучения.

Лицензия и кредиты

Проект DeePMD-kit распространяется под лицензией GNU LGPLv3.0. Если вы будете использовать этот код в каких-либо будущих публикациях, пожалуйста, ссылайтесь на следующие публикации общего назначения:

Хан Ван, Линьфэн Чжан, Цзецюнь Хан и Вэйнань Э. «Набор DeePMD: пакет глубокого обучения для представления потенциальной энергии многих тел и молекулярной динамики». Коммуникации по компьютерной физике 228 (2018): 178–184.
Цзиньчжэ Цзэн, Дуо Чжан, Дэнхуэй Лу, Пинхуэй Мо, Цзэю Ли, Исяо Чен, Мариан Рыник, Лян Хуан, Цзияо Ли, Шаочэнь Ши, Инцзе Ван, Хаотянь Е, Пин Туо, Цзябинь Ян, Е Дин, Ифань Ли, Давиде Тиси, Цию Цзэн, Хань Бао, Юй Ся, Цзямэн Хуан, Коки Мураока, Ибо Ван, Джунхан Чанг, Фэнбо Юань, Сигбьорн Лоланд Боре, Чун Цай, Иньнянь Линь, Бо Ван, Цзяян Сюй, Цзя-Синь Чжу, Чэньсин Луо, Ючжи Чжан, Рис Э.А. Гудолл, Вэньшо Лян, Анураг Кумар Сингх, Сикай Яо, Цзинчао Чжан, Рената Венцкович, Цзецюнь Хан, Цзе Лю, Вейле Цзя, Дэррин М. Йорк, Вэйнан Э, Роберто Кар, Линьфэн Чжан, Хань Ван. «DeePMD-kit v2: пакет программного обеспечения для моделей с глубоким потенциалом». Дж. Хим. Физ. 159 (2023): 054801.

Кроме того, пожалуйста, следуйте файлу bib, чтобы указать методы, которые вы использовали.

Основные моменты в основных версиях

Начальная версия

Цель Deep Potential — использовать методы глубокого обучения и реализовать модель межатомной потенциальной энергии, которая является общей, точной, эффективной в вычислительном отношении и масштабируемой. Ключевым компонентом является соблюдение обширных и инвариантных к симметрии свойств модели потенциальной энергии путем назначения локальной системы отсчета и локального окружения каждому атому. Каждая среда содержит конечное число атомов, локальные координаты которых расположены с сохранением симметрии. Эти локальные координаты затем преобразуются через подсеть в так называемую атомную энергию . Суммирование всех атомных энергий дает потенциальную энергию системы.

Первоначальное доказательство концепции содержится в статье «Глубокий потенциал», в которой использовался подход, разработанный для обучения модели нейронной сети только с использованием потенциальной энергии. При использовании типичных наборов данных молекулярной динамики ab initio (AIMD) этого недостаточно для воспроизведения траекторий. Модель Deep Potential Molecular Dynamics (DeePMD) преодолевает это ограничение. Кроме того, процесс обучения в DeePMD значительно улучшается по сравнению с методом Deep Potential благодаря введению гибкого семейства функций потерь. Построенный таким образом NN-потенциал точно воспроизводит траектории AIMD, как классические, так и квантовые (интеграл по путям), в расширенных и конечных системах, при этом стоимость линейно масштабируется с размером системы и всегда на несколько порядков ниже, чем у эквивалентного AIMD. симуляции.

Несмотря на свою высокую эффективность, исходная модель Deep Potential удовлетворяет обширным и инвариантным к симметрии свойствам модели потенциальной энергии ценой внесения разрывов в модель. Это оказывает незначительное влияние на траекторию канонической выборки, но может оказаться недостаточным для расчета динамических и механических свойств. Эти моменты побудили нас разработать модель Deep Potential-Smooth Edition (DeepPot-SE), которая заменяет негладкий локальный фрейм гладкой и адаптивной сетью внедрения. DeepPot-SE демонстрирует большие способности в моделировании многих видов систем, представляющих интерес в области физики, химии, биологии и материаловедения.

Помимо построения моделей потенциальной энергии, DeePMD-kit также можно использовать для построения крупнодетализированных моделей. В этих моделях величина, которую мы хотим параметризовать, — это свободная энергия или крупнозернистый потенциал крупнозернистых частиц. Более подробную информацию можно найти в статье DeePCG.

v1

Рефакторинг кода, чтобы сделать его высокомодульным.
Поддержка графического процессора для дескрипторов.

v2

Сжатие модели. Ускорьте эффективность вывода моделей в 4-15 раз.
Новые дескрипторы. Включая se_e2_r , se_e3 и se_atten (DPA-1).
Гибридизация дескрипторов. Гибридный дескриптор, созданный путем объединения нескольких дескрипторов.
Встраивание типа атома. Включите встраивание атомного типа, чтобы снизить сложность обучения и повысить производительность.
Обучение и вывод диполя (вектора) и поляризуемости (матрицы).
Разделение набора данных обучения и проверки.
Оптимизированное обучение на графических процессорах, включая CUDA и ROCm.
Не фон Нейман.
C API для взаимодействия со сторонними пакетами.

Подробную информацию обо всех функциях до версии 2.2.3 см. в нашей последней статье.