atomistic-machine-learning/schnetpack

解決する課題

SchNetPackは、ポテンシャルエネルギー曲面、双極子モーメント、分極率などの分子や材料の量子化学的特性を予測するために、ディープニューラルネットワークを開発・適用するためのツールボックスです。不可欠な構成要素、トレーニング管理、およびベンチマークデータセットへのアクセスを提供することで、新しい原子レベルのニューラルネットワークモデルの実装と評価のプロセスを簡素化します。

仕組み

このライブラリは、柔軟な設定とトレーニングのために PyTorch Lightning と Hydra を活用しています。SchNet（連続フィルタCNN）や PaiNN（等変メッセージパッシング）を含むいくつかの特化したアーキテクチャを実装しており、静電、Ewald 和、ZBL 反発のためのモジュールも含まれています。また、サーモスタット、バロスタット、および経路積分 MD をサポートする GPU 加速分子動力学コードも提供しています。

対象者

分子および材料の特性を予測するためのモデルを構築・トレーニングする必要がある、原子レベルの機械学習、量子化学、および材料科学の分野の研究者や科学者。

ハイライト

• 構築済みアーキテクチャ: 量子相互作用のモデリング用に SchNet と PaiNN を含む
• ベンチマークの統合: QM9 や MD17 のような一般的なベンチマークデータセットへの簡単な CLI アクセス
• 高度な物理モジュール: 双極子モーメント、応力テンソル、および静電の組み込みサポート
• MD 統合: GPU 加速分子動力学および LAMMPS へのインターフェース
• 柔軟な設定: モデルとデータの階層的な設定に Hydra を使用