deepmd kit下载 - deepmd kit源码下载

deepmd kit

C/C++

v3.0.0

下载

DeePMD 套件徽标

DeePMD 套件

关于 DeePMD 套件

DeePMD-kit 是一个用 Python/C++ 编写的软件包，旨在最大限度地减少构建基于深度学习的原子间势能和力场模型以及执行分子动力学 (MD) 所需的工作。这为解决分子模拟中准确性与效率的困境带来了新的希望。 DeePMD 套件的应用范围从有限分子到扩展系统，从金属系统到化学键合系统。

有关更多信息，请查看文档。

突出特点

与多个后端对接，包括TensorFlow、PyTorch和JAX等最流行的深度学习框架，使训练过程高度自动化和高效。
与高性能经典MD和量子（路径积分）MD软件包接口，包括LAMMPS、i-PI、AMBER、CP2K、GROMACS、OpenMM和ABACUS。
实现了Deep Potential系列模型，该模型已成功应用于有限和扩展系统，包括有机分子、金属、半导体、绝缘体等。
实现了MPI和GPU支持，使其能够高效地进行高性能并行和分布式计算。
高度模块化，易于适应基于深度学习的势能模型的不同描述符。

许可证和学分

DeePMD-kit 项目已获得 GNU LGPLv3.0 许可。如果您在未来的任何出版物中使用此代码，请出于一般目的引用以下出版物：

Han Wang、Linfeng Zhang、Jiequn Han 和 Weinan E。“DeePMD-kit：用于多体势能表示和分子动力学的深度学习包。”计算机物理通信228（2018）：178-184。
曾金哲、张铎、卢登辉、莫平辉、李泽宇、陈一晓、Marián Rynik、黄立昂、李子耀、石少辰、王迎泽、叶浩天、拓平、杨家斌、丁晔、李一凡、 Davide Tisi、曾启宇、包涵、夏宇、黄家萌、村冈功起、王一博、张俊瀚、袁风波、 Sigbjørn Løland Bore、Chun Cai、Yinnian Lin、王博、徐嘉彦、朱嘉欣、罗晨星、张宇智、Rhys EA Goodall、梁文硕、Anurag Kumar Singh、姚斯凯、张景超、Renata Wentzcovitch、Jiequn Han,刘杰，贾伟乐，Darrin M. York，Weinan E，Roberto Car，张林峰，王瀚。 “DeePMD-kit v2：用于深潜力模型的软件包。” J.化学。物理。 159（2023）：054801。

另外，请按照bib文件引用你所使用的方法。

主要版本亮点

初始版本

Deep Potential的目标是采用深度学习技术，实现通用、准确、计算高效且可扩展的原子间势能模型。关键部分是通过为每个原子分配局部参考系和局部环境来尊重势能模型的广泛和对称不变特性。每个环境包含有限数量的原子，其局部坐标以保持对称的方式排列。然后，这些局部坐标通过子网络转换为所谓的原子能。将所有原子能量相加就得到了系统的势能。

最初的概念证明是在 Deep Potential 论文中，该论文采用了一种仅使用势能来训练神经网络模型的方法。对于典型的从头算分子动力学 (AIMD) 数据集，这不足以重现轨迹。深势分子动力学 (DeePMD) 模型克服了这一限制。此外，由于引入了一系列灵活的损失函数，DeePMD 中的学习过程比 Deep Potential 方法有了显着改进。以这种方式构建的神经网络势能在扩展系统和有限系统中准确地再现经典和量子（路径积分）的 AIMD 轨迹，其成本随系统规模线性扩展，并且始终比等效 AIMD 低几个数量级模拟。

尽管效率很高，但原始的深势模型满足了势能模型的广泛和对称不变性质，但代价是在模型中引入了不连续性。这对规范采样的轨迹影响可以忽略不计，但可能不足以计算动力学和机械特性。这些点促使我们开发了 Deep Potential-Smooth Edition (DeepPot-SE) 模型，该模型用平滑的自适应嵌入网络代替非平滑的局部框架。 DeepPot-SE 在对物理、化学、生物学和材料科学领域感兴趣的多种系统进行建模方面表现出强大的能力。

除了建立势能模型外，DeePMD-kit 还可用于建立粗粒度模型。在这些模型中，我们想要参数化的量是粗粒粒子的自由能或粗粒势。有关更多详细信息，请参阅 DeePCG 论文。