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 기반 뉴럴 네트워크 원자 간 포텐셜

TorchANI는 PyTorch를 기반으로 구축된 오픈 소스 Python 라이브러리로, 연구자가 ANI 스타일의 뉴럴 네트워크 원자 간 포텐셜(NN-IP)을 훈련, 평가 및 사용할 수 있도록 합니다. 이는 원자 좌표에서 분자의 포텐셜 에너지와 힘을 직접 예측하는 머신러닝 모델로, 빠르고 정확한 분자 동역학(MD) 및 하이브리드 ML/MM 시뮬레이션을 가능하게 합니다.

라이브러리 기능

  • 모델 라이브러리 – 즉시 사용 가능한 사전 학습된 ANI 모델과 새로운 모델을 정의하기 위한 깔끔한 API를 제공합니다.
  • 훈련 유틸리티 – NN-IP를 양자 화학 참조 데이터에 맞추기 위한 도구.
  • 빠른 추론 – C++/CUDA 확장을 통해 ANI 기술자(descriptor)를 계산하고 GPU에서 네트워크를 실행하여 실시간에 가까운 MD를 구현합니다.
  • 명령줄 인터페이스 – ani 실행 파일이 빠른 유틸리티(예: 에너지/힘 평가, 확장 기능 빌드)를 제공합니다.
  • 통합 지점 – 별도의 TorchANI-Amber 패키지를 통해 포텐셜을 Amber의 클래식 MD 엔진에 연결하여 ML/MM 시뮬레이션을 수행할 수 있습니다.

권장 사용자

  • 시뮬레이션을 위해 고성능 ML 기반 포스 필드가 필요한 계산 화학자 또는 재료 과학자.
  • 새로운 NN-IP 아키텍처를 개발하며 PyTorch 네이티브 베이스라인을 원하는 연구자.
  • 저수준 CUDA 코드를 작성하지 않고 GPU에서 ML 기반 분자 동역학을 실행하려는 모든 사용자.

시작하기 (README에서)

  1. Python 환경 설정 (conda/mamba 또는 virtualenv). 라이브러리는 PyPI에서 배포되지만, conda 패키지는 유지 관리되지 않으므로 conda 환경 내에서도 pip를 사용하여 설치하는 것을 권장합니다.
  2. 호환되는 PyTorch 설치 (예: CUDA 13.0의 경우 pip install torch==2.13 --index-url https://download.pytorch.org/whl/cu130). TorchANI 2는 PyTorch ≥ 2.0이 필요합니다.
  3. TorchANI 설치: pip install torchani.
  4. 기술자 계산 및 빠른 추론을 위한 선택적 C++/CUDA 확장 빌드:
    ani build-extensions          # 감지된 모든 GPU SM에 대해 빌드
# 또는 특정 SM으로 제한, 예:
ani build-extensions --sm 8.0 --sm 8.9
  5. (선택 사항) 문서 빌드, 테스트 실행 또는 소스 수정을 위해 environment.yaml을 통해 개발 환경을 만들려면 저장소를 클론하십시오.

플랫폼 참고 사항

  • GPU 지원: CUDA가 있는 NVIDIA GPU에서 작동합니다. 복잡한 워크로드에는 강력히 권장됩니다. AMD/ROCm은 테스트되지 않았습니다.
  • macOS: CUDA를 지원하지 않습니다. Apple의 MPS 백엔드에서는 테스트되지 않았습니다.
  • Conda 패키지: 개발자용으로 제공됩니다. recipe 디렉토리를 사용하여 로컬에서 빌드할 수 있습니다.

문서 및 도움말

  • 전체 사용자 가이드 및 API 참조: https://aiqm.github.io/torchani/
  • TorchANI 1.x에서 2.0으로의 마이그레이션 가이드.
  • 버그 보고 및 기능 요청은 GitHub issues를 통해 환영합니다.

TorchANI 인용

출판된 저작물에 이 라이브러리를 사용하는 경우, README에 나열된 두 개의 논문(원본 TorchANI 논문 및 TorchANI 2.0 확장 논문)을 인용하십시오.

요약 (TL;DR): TorchANI 2.0은 분자 시뮬레이션을 위한 뉴럴 네트워크 포텐셜을 구축하고 실행하기 위한 PyTorch 기반 툴킷으로, GPU 가속 추론, 훈련 유틸리티 및 Amber와 같은 클래식 MD 패키지와의 통합을 제공합니다. 이는 계산 화학 커뮤니티를 대상으로 하는 진정한 AI/ML 소프트웨어 프로젝트입니다.

관련

  • 프로젝트
    torchmd/torchmd-net

    PyTorch 기반 라이브러리로, 분자 시뮬레이션을 위한 최첨단 신경망 포텐셜과 그 훈련 도구를 제공합니다.

  • 프로젝트
    pytorch/rl

    TorchRL은 PyTorch 기반의 모듈식 강화학습 라이브러리로, RL, 다중 에이전트, 모델 기반, LLM 후처리 파이프라인의 구축, 확장, 실험을 위한 통합된 TensorDict 데이터 모델과 교환 가능한 구성 요소(환경, 수집기, 리플레이 버퍼, 손실 모듈, 트레이너 등)를 제공합니다.

  • 프로젝트
    meta-pytorch/torchtune

    torchtune은 PyTorch 기반의 라이브러리로, Llama, Gemma, Qwen, Phi 등 여러 현대적 LLM(Large Language Models)의 파인튜닝, RL-HF, 증류, 양자화 대응 학습, 추론을 위한 즉시 실행 가능한 레시피와 설정을 제공합니다. 분산 학습, 메모리 절약 기술, 디바이스 지원을 간단한 CLI(`tune`)와 YAML 파일 뒤에 추상화하여 Hugging Face, torch-ao, FSDP2, 로깅 도구와 통합됩니다. 2025년 개발이 중단되었지만, LLM 실험을 위한 실용적이고 오픈소스 툴킷으로 여전히 유용합니다.

  • 프로젝트
    torchgeo/torchgeo

    TorchGeo는 위성 및 항공 이미지를 쉽게 다룰 수 있게 해주는 PyTorch 라이브러리입니다. 준비된 지리 공간 데이터셋, 패치 추출을 위한 스마트 샘플러, 다중 스펙트럼 사전 학습 모델을 제공하며, PyTorch Lightning과 긴밀하게 통합되어 연구자가 단 몇 줄의 코드로 원격 탐사 모델을 훈련하고 평가할 수 있도록 합니다.

  • 프로젝트
    AIFrontierLab/TorchUMM

    TorchUMM은 텍스트-이미지, 이미지 이해, 편집 등 다양한 다중 모달 모델(텍스트-이미지, 이미지 이해, 편집)의 실행, 평가, 미세 조정을 통합적이고 설정 기반 툴킷으로 제공합니다. 14개의 백본용 어댑터, 10개 이상의 벤치마크, 포스트 트레이닝 방법을 지원하며, 로컬, AMD HPC 클러스터, 또는 Modal 클라우드에서 실행 가능합니다. 추론/평가의 표준화로 공정하고 재현 가능한 비교가 쉬워집니다.