ดาวน์โหลด deepmd kit - ดาวน์โหลด deepmd kit ซอร์สโค้ด

deepmd kit

ซี/ซี++

v3.0.0

ดาวน์โหลด

โลโก้ DeePMD-kit

ชุด DeePMD

เกี่ยวกับ DeePMD-kit

DeePMD-kit เป็นแพ็คเกจที่เขียนด้วยภาษา Python/C++ ซึ่งออกแบบมาเพื่อลดความพยายามที่จำเป็นในการสร้างโมเดลการเรียนรู้เชิงลึกของสนามพลังงานศักย์ระหว่างอะตอมและสนามแรง และเพื่อดำเนินการพลวัตของโมเลกุล (MD) สิ่งนี้นำมาซึ่งความหวังใหม่ในการจัดการกับภาวะที่กลืนไม่เข้าคายไม่ออกระหว่างความแม่นยำและประสิทธิภาพในการจำลองระดับโมเลกุล การใช้งานของ DeePMD-kit ครอบคลุมตั้งแต่โมเลกุลจำกัดไปจนถึงระบบขยาย และจากระบบโลหะไปจนถึงระบบพันธะเคมี

สำหรับข้อมูลเพิ่มเติม โปรดตรวจสอบเอกสารประกอบ

คุณสมบัติเด่น

เชื่อมต่อกับแบ็คเอนด์หลายตัว รวมถึง TensorFlow, PyTorch และ JAX ซึ่งเป็นเฟรมเวิร์กการเรียนรู้เชิงลึกที่ได้รับความนิยมมากที่สุด ทำให้กระบวนการฝึกอบรมเป็นอัตโนมัติและมีประสิทธิภาพสูง
เชื่อมต่อกับแพ็คเกจ MD คลาสสิกประสิทธิภาพสูงและควอนตัม (เส้นทางบูรณาการ) รวมถึง LAMMPS, i-PI, AMBER, CP2K, GROMACS, OpenMM และ ABACUS
ใช้แบบจำลองซีรีส์ Deep Potential ซึ่งได้รับการนำไปใช้กับระบบที่มีขอบเขตและขยายได้สำเร็จ รวมถึงโมเลกุลอินทรีย์ โลหะ เซมิคอนดักเตอร์ ฉนวน ฯลฯ
ใช้การรองรับ MPI และ GPU ทำให้มีประสิทธิภาพสูงสำหรับการประมวลผลแบบขนานและแบบกระจายประสิทธิภาพสูง
เป็นแบบโมดูลาร์สูง และปรับให้เข้ากับคำอธิบายที่แตกต่างกันได้ง่ายสำหรับโมเดลพลังงานศักย์ที่อิงการเรียนรู้เชิงลึก

ใบอนุญาตและเครดิต

โครงการ DeePMD-kit ได้รับอนุญาตภายใต้ GNU LGPLv3.0 หากคุณใช้รหัสนี้ในการตีพิมพ์ในอนาคต โปรดอ้างอิงสิ่งตีพิมพ์ต่อไปนี้เพื่อวัตถุประสงค์ทั่วไป:

Han Wang, Linfeng Zhang, Jiequn Han และ Weinan E. "DeePMD-kit: แพ็คเกจการเรียนรู้เชิงลึกสำหรับการแสดงพลังงานศักย์หลายร่างกายและพลวัตของโมเลกุล" การสื่อสารฟิสิกส์คอมพิวเตอร์ 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, ดาวิเด้ ติซี, ชียู่ เจิง, ฮั่นเปา, หยูเซีย, เจียเมิง ฮวง, โคกิ มูราโอกะ, อี้ป๋อ หวาง, จุนฮัน ชาง, เฟิ่งโบ หยวน, ซิกบยอร์น โลแลนด์ บอร์, ชุนไฉ่, ยินเหนียน ลิน, โบ หวาง, เจียหยาน ซู, เจีย-ซิน จู, เฉินซิง หลัว, หยูจือ จาง, รีห์ส อีเอ กูดดอลล์, เหวินซั่ว เหลียง, อนุรัก คูมาร์ ซิงห์, สีไค เหยา, จิงเชา จาง, เรนาตา เวนทซ์โควิช, เจียคุน ฮั่น, เจีย หลิว, เว่ยเล่อ เจีย, ดาร์ริน เอ็ม. ยอร์ก, เหว่ยหนาน อี, โรแบร์โต คาร์, จางหลินเฟิง, ฮั่น หวาง "DeePMD-kit v2: แพคเกจซอฟต์แวร์สำหรับโมเดลที่มีศักยภาพเชิงลึก" เจ. เคม. ฟิสิกส์ 159 (2023): 054801.

นอกจากนี้โปรดปฏิบัติตามไฟล์ bib เพื่ออ้างอิงวิธีการที่คุณใช้

ไฮไลท์ในเวอร์ชันหลัก

เวอร์ชันเริ่มต้น

เป้าหมายของ Deep Potential คือการใช้เทคนิคการเรียนรู้เชิงลึกและตระหนักถึงแบบจำลองพลังงานศักย์ไฟฟ้าระหว่างอะตอมที่มีความทั่วไป แม่นยำ มีประสิทธิภาพในการคำนวณ และปรับขนาดได้ องค์ประกอบสำคัญคือการเคารพคุณสมบัติที่ครอบคลุมและไม่แปรเปลี่ยนสมมาตรของแบบจำลองพลังงานศักย์โดยการกำหนดกรอบอ้างอิงเฉพาะที่และสภาพแวดล้อมเฉพาะที่ให้กับแต่ละอะตอม แต่ละสภาพแวดล้อมมีจำนวนอะตอมที่จำกัด ซึ่งมีการจัดเรียงพิกัดในพื้นที่ในลักษณะการรักษาสมมาตร จากนั้นพิกัดท้องถิ่นเหล่านี้จะถูกเปลี่ยนผ่านเครือข่ายย่อยไปเป็น พลังงานปรมาณู ที่เรียกว่า เมื่อรวมพลังงานปรมาณูทั้งหมดเข้าด้วยกัน ทำให้เกิดพลังงานศักย์ของระบบ

การพิสูจน์แนวคิดเบื้องต้นอยู่ในรายงาน Deep Potential ซึ่งใช้วิธีการที่ออกแบบมาเพื่อฝึกโมเดลโครงข่ายประสาทเทียมด้วยพลังงานศักย์เท่านั้น ด้วยชุดข้อมูล ab initio Molecular Dynamics (AIMD) ทั่วไป จึงไม่เพียงพอที่จะสร้างวิถีวิถี โมเดล Deep Potential Molecular Dynamics (DeePMD) เอาชนะข้อจำกัดนี้ได้ นอกจากนี้ กระบวนการเรียนรู้ใน DeePMD ยังปรับปรุงให้ดีขึ้นอย่างมากเมื่อเทียบกับวิธี Deep Potential เนื่องจากมีการแนะนำฟังก์ชันการสูญเสียที่ยืดหยุ่น ศักยภาพของ NN ที่สร้างขึ้นด้วยวิธีนี้จะสร้างวิถี AIMD ได้อย่างแม่นยำ ทั้งแบบคลาสสิกและควอนตัม (อินทิกรัลของเส้นทาง) ในระบบแบบขยายและแบบจำกัด โดยมีต้นทุนที่ปรับขนาดเป็นเส้นตรงตามขนาดของระบบ และจะมีลำดับความสำคัญต่ำกว่าของ AIMD ที่เทียบเท่ากันเสมอ การจำลอง

แม้ว่าจะมีประสิทธิภาพสูง แต่โมเดล Deep Potential ดั้งเดิมก็ตอบสนองคุณสมบัติที่ครอบคลุมและไม่แปรเปลี่ยนสมมาตรของแบบจำลองพลังงานศักย์ในราคาที่ทำให้เกิดความไม่ต่อเนื่องในแบบจำลอง สิ่งนี้มีอิทธิพลเล็กน้อยต่อวิถีจากการสุ่มตัวอย่างตามรูปแบบบัญญัติ แต่อาจไม่เพียงพอสำหรับการคำนวณคุณสมบัติไดนามิกและเชิงกล ประเด็นเหล่านี้เป็นแรงบันดาลใจให้เราพัฒนาโมเดล Deep Potential-Smooth Edition (DeepPot-SE) ซึ่งแทนที่เฟรมท้องถิ่นที่ไม่ราบรื่นด้วยเครือข่ายการฝังที่ราบรื่นและปรับเปลี่ยนได้ DeepPot-SE แสดงให้เห็นความสามารถที่ยอดเยี่ยมในการสร้างแบบจำลองระบบหลายประเภทที่สนใจในสาขาฟิสิกส์ เคมี ชีววิทยา และวัสดุศาสตร์

นอกจากการสร้างแบบจำลองพลังงานที่มีศักยภาพแล้ว DeePMD-kit ยังสามารถนำมาใช้สร้างแบบจำลองที่มีเนื้อหยาบได้อีกด้วย ในแบบจำลองเหล่านี้ ปริมาณที่เราต้องการกำหนดพารามิเตอร์คือพลังงานอิสระหรือศักย์ไฟฟ้าที่เป็นเม็ดหยาบของอนุภาคที่มีเม็ดหยาบ ดูกระดาษ DeePCG สำหรับรายละเอียดเพิ่มเติม

เวอร์ชัน 1

การปรับโครงสร้างโค้ดเพื่อให้เป็นแบบโมดูลาร์สูง
รองรับ GPU สำหรับคำอธิบาย

เวอร์ชัน 2

การบีบอัดโมเดล เร่งประสิทธิภาพของโมเดลอนุมาน 4-15 เท่า
คำอธิบายใหม่ รวมถึง se_e2_r , se_e3 และ se_atten (DPA-1)
การผสมพันธุ์ของตัวอธิบาย ตัวให้คำอธิบายแบบไฮบริดสร้างขึ้นจากการต่อข้อมูลหลายตัวเข้าด้วยกัน
การฝังประเภทอะตอม เปิดใช้งานการฝังประเภทอะตอมเพื่อลดความซับซ้อนในการฝึกและปรับปรุงประสิทธิภาพ
การฝึกอบรมและการอนุมานไดโพล (เวกเตอร์) และความสามารถในการโพลาไรซ์ (เมทริกซ์)
แยกชุดข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้อง
การฝึกอบรมที่ปรับให้เหมาะสมบน GPU รวมถึง CUDA และ ROCm
น็อน-วอน-นอยมันน์.
C API เพื่อเชื่อมต่อกับแพ็คเกจบุคคลที่สาม

ดูเอกสารล่าสุดของเราสำหรับรายละเอียดของคุณสมบัติทั้งหมดจนถึงเวอร์ชัน 2.2.3