aiqm/torchani

TorchANI 2.0 is an open-source library that supports training, development, and research of ANI-style neural network interatomic potentials. It was originally developed and is currently maintained by the Roitberg group.

TorchANI 2.0 – PyTorchにおけるニューラルネットワーク原子間ポテンシャル

TorchANIは、PyTorch上に構築されたオープンソースのPythonライブラリであり、研究者がANIスタイルのニューラルネットワーク原子間ポテンシャル (NN-IP) を訓練、評価、使用することを可能にします。これらは、原子座標から分子のポテンシャルエネルギーと力を直接予測する機械学習モデルであり、高速で正確な分子動力学 (MD) およびハイブリッドML/MMシミュレーションを可能にします。

ライブラリの機能

  • モデルライブラリ – すぐに利用可能な学習済みANIモデルと、新しいモデルを定義するためのクリーンなAPIを提供します。
  • トレーニングユーティリティ – NN-IPを量子化学参照データに適合させるためのツール。
  • 高速推論 – C++/CUDA拡張機能により、ANI記述子を計算し、GPU上でネットワークを実行して、ほぼリアルタイムのMDを実現します。
  • コマンドラインインターフェース – ani 実行ファイルが、クイックユーティリティ（エネルギー/力の評価、拡張機能のビルドなど）を提供します。
  • 統合ポイント – 別個の TorchANI-Amber パッケージにより、ポテンシャルをAmberの古典的MDエンジンに組み込み、ML/MMシミュレーションを行うことができます。

対象ユーザー

  • シミュレーションのために高性能なMLベースの力場を必要とする計算化学者または材料科学者。
  • 新しいNN-IPアーキテクチャを開発しており、PyTorchネイティブなベースラインを必要とする研究者。
  • 低レベルのCUDAコードを書かずに、GPU上でML駆動の分子動力学を実行したいと考えているすべての人。

はじめに (READMEより)

  1. Python環境のセットアップ (conda/mamba または virtualenv)。ライブラリはPyPIで配布されていますが、condaパッケージはメンテナンスされていないため、conda環境内であっても pip でのインストールが推奨されています。
  2. 互換性のあるPyTorchのインストール (例: CUDA 13.0 の場合は pip install torch==2.13 --index-url https://download.pytorch.org/whl/cu130)。TorchANI 2 は PyTorch ≥ 2.0 が必要です。
  3. TorchANIのインストール: pip install torchani。
  4. 記述子計算と高速推論のためのオプションのC++/CUDA拡張機能をビルドする:
    ani build-extensions          # 検出されたすべてのGPU SM向けにビルド
# または特定のSMに限定する場合、例:
ani build-extensions --sm 8.0 --sm 8.9
  5. (オプション) ドキュメントの作成、テストの実行、またはソースコードの変更が必要な場合は、リポジトリをクローンし、提供されている environment.yaml を使用して開発環境を作成してください。

プラットフォームに関する注意

  • GPUサポート: CUDAを備えたNVIDIA GPUで動作します。負荷の高いワークロードには強く推奨されます。AMD/ROCmはテストされていません。
  • macOS: CUDAは利用できません。AppleのMPSバックエンドでの動作はテストされていません。
  • Condaパッケージ: 開発者向けに利用可能です。recipe ディレクトリを使用してローカルでビルドできます。

ドキュメント & ヘルプ

  • 完全なユーザーガイドとAPIリファレンス: https://aiqm.github.io/torchani/
  • TorchANI 1.x から 2.0 への移行ガイド。
  • バグ報告や機能リクエストは GitHub issues で受け付けています。

TorchANIの引用

出版された研究でこのライブラリを使用する場合は、READMEに記載されている2つの論文（オリジナルのTorchANI論文とTorchANI 2.0拡張論文）を引用してください。

要約 (TL;DR): TorchANI 2.0は、分子シミュレーション用のニューラルネットワークポテンシャルを構築・実行するためのPyTorchベースのツールキットであり、GPU加速推論、トレーニングユーティリティ、およびAmberのような古典的MDパッケージとの統合を提供します。これは計算化学コミュニティを対象とした、真のAI/MLソフトウェアプロジェクトです。

関連

  • プロジェクト
    torchmd/torchmd-net

    PyTorchベースのライブラリで、分子シミュレーション用の最先端のニューラルネットワークポテンシャルと、それらを訓練するためのツールを提供します。

  • プロジェクト
    pytorch/rl

    TorchRLは、PyTorchネイティブでモジュール式の強化学習ライブラリであり、RL、マルチエージェント、モデルベース、LLMの後処理パイプラインの構築、スケーリング、実験に向けた統一されたTensorDictデータモデルと、交換可能なコンポーネント（環境、コレクタ、リプレイバッファ、損失モジュール、トレーナーなど）を提供します。

  • プロジェクト
    meta-pytorch/torchtune

    torchtuneは、PyTorchベースのライブラリで、Llama、Gemma、Qwen、Phiなど多くの現代的なLLM（大規模言語モデル）のファインチューニング、RL-HF、蒸留、量子化対応学習、推論のための即時実行可能なレシピと設定を提供します。分散学習、メモリ節約テクニック、デバイスサポートをシンプルなCLI（`tune`）とYAMLファイルの背後で抽象化し、Hugging Face、torch-ao、FSDP2、ログ記録ツールと統合されています。2025年に開発が停止しましたが、LLMの実験に実用的でオープンソースなツールキットとして残っています。

  • プロジェクト
    torchgeo/torchgeo

    TorchGeoは、衛星および航空写真の扱いや解析を容易にするPyTorchライブラリです。用意された地理空間データセット、パッチ抽出用のスマートサンプラー、マルチスペクトル学習済みモデルを提供し、PyTorch Lightningと密接に統合されているため、研究者はわずか数行のコードでリモートセンシングモデルのトレーニングと評価を行うことができます。

  • プロジェクト
    AIFrontierLab/TorchUMM

    TorchUMM は、テキストから画像生成、画像理解、画像編集など幅広いマルチモーダルモデル（text-to-image, image understanding, editing）の実行、評価、ファインチューニングを、統一的で設定駆動のツールキットとして提供します。14のバックボーン用アダプター、10以上のベンチマーク、ポストトレーニング手法をサポートし、ローカル、AMD HPC クラスタ、または Modal クラウドで実行可能です。推論/評価の標準化により、公正で再現可能な比較が容易になります。