deepmd kit下載 - deepmd kit原始碼下載

deepmd kit

C/C++

v3.0.0

下載

DeePMD 套件標誌

DeePMD 套件

關於 DeePMD 套件

DeePMD-kit 是一個用 Python/C++ 編寫的軟體包，旨在最大限度地減少構建基於深度學習的原子間勢能和力場模型以及執行分子動力學 (MD) 所需的工作。這為解決分子模擬中準確性與效率的困境帶來了新的希望。 DeePMD 套件的應用範圍從有限分子到擴展系統，從金屬系統到化學鍵結系統。

有關更多信息，請查看文檔。

突出特點

與多個後端對接，包括TensorFlow、PyTorch和JAX等最受歡迎的深度學習框架，使訓練過程高度自動化和高效。
與高效能經典MD和量子（路徑積分）MD軟體包接口，包括LAMMPS、i-PI、AMBER、CP2K、GROMACS、OpenMM和ABACUS。
實現了Deep Potential系列模型，該模型已成功應用於有限且擴展系統，包括有機分子、金屬、半導體、絕緣體等。
實現了MPI和GPU支持，使其能夠高效地進行高效能並行和分散式運算。
高度模組化，易於適應基於深度學習的位能模型的不同描述符。

許可證和學分

DeePMD-kit 專案已獲得 GNU LGPLv3.0 授權。如果您在未來的任何出版物中使用此程式碼，請出於一般目的引用以下出版物：

Han Wang、Linfeng Zhang、Jiequn Han 和 Weinan E。”DeePMD-kit：用於多體勢能表示和分子動力學的深度學習套件。”電腦物理通訊228（2018）：178-184。
曾金哲、張鐸、盧登輝、莫平輝、李澤宇、陳一曉、Marián Rynik、黃立昂、李子耀、石少臣、王迎澤、葉浩天、拓平、楊家斌、丁曄、李一凡, Davide Tisi、曾啟宇、包涵、夏宇、黃佳猛、村岡功起、王一波、張俊瀚、袁風波、Sigbjørn Løland Bore、蔡春、林銀年、王波、徐佳彥、朱佳欣、羅辰星、張宇智、Rhys EA Goodall、梁文碩、Anurag Kumar Singh、姚斯凱、張景超、Renata Wentzcovitch、韓傑群、劉傑、賈偉樂、Darrin M. York、Weinan E、Roberto Car、Linfeng Zhang、Han Wang。 “DeePMD-kit v2：用於深潛力模型的軟體包。” J.化學。物理。 159（2023）：054801。

另外，請依照bib檔引用你所使用的方法。

主要版本亮點

初始版本

Deep Potential的目標是採用深度學習技術，實現通用、準確、計算高效且可擴展的原子間位能模型。關鍵部分是透過為每個原子分配局部參考系和局部環境來尊重位能模型的廣泛和對稱不變特性。每個環境包含有限數量的原子，其局部座標以保持對稱的方式排列。然後，這些局部座標透過子網路轉換為所謂的原子能。將所有原子能量相加就得到了系統的位能。

最初的概念證明在 Deep Potential 論文中，該論文採用了一種僅使用位能來訓練神經網路模型的方法。對於典型的從頭算分子動力學 (AIMD) 資料集，這不足以重現軌跡。深勢分子動力學 (DeePMD) 模型克服了這個限制。此外，由於引入了一系列靈活的損失函數，DeePMD 中的學習過程比 Deep Potential 方法有了顯著改進。以這種方式建構的神經網路勢能在擴展系統和有限系統中準確地再現經典和量子（路徑積分）的 AIMD 軌跡，其成本隨系統規模線性擴展，並且始終比等效 AIMD 低幾個數量級模擬。

儘管效率很高，但原始的深勢模型滿足了位能模型的廣泛和對稱不變性質，但代價是在模型中引入了不連續性。這對規範採樣的軌蹟的影響可以忽略不計，但可能不足以計算動力學和機械特性。這些點促使我們開發了 Deep Potential-Smooth Edition (DeepPot-SE) 模型，該模型以平滑的自適應嵌入網路取代非平滑的局部框架。 DeepPot-SE 在對物理、化學、生物學和材料科學領域感興趣的多種系統進行建模方面表現出強大的能力。

除了建立位能模型外，DeePMD-kit 還可用於建立粗粒化模型。在這些模型中，我們想要參數化的量是粗粒粒子的自由能或粗粒位能。有關更多詳細信息，請參閱 DeePCG 論文。