atomistic-machine-learning/schnetpack

해결하는 문제

SchNetPack은 퍼텐셜 에너지 표면, 쌍극자 모멘트, 분극률과 같은 분자 및 재료의 양자 화학적 특성을 예측하기 위해 심층 신경망을 개발하고 적용하기 위한 툴박스입니다. 필수적인 구성 요소, 학습 관리 및 벤치마크 데이터 세트에 대한 액세스를 제공하여 새로운 원자 단위 신경망 모델을 구현하고 평가하는 프로세스를 단순화합니다.

작동 방식

이 라이브러리는 유연한 구성 및 학습을 위해 PyTorch Lightning과 Hydra를 활용합니다. SchNet(연속 필터 CNN) 및 PaiNN(등변 메시지 패싱)을 포함한 여러 특화된 아키텍처를 구현하며, 정전기학, Ewald summation 및 ZBL repulsion을 위한 모듈을 포함합니다. 또한 서모스탯, 바로스탯 및 경로 적분 MD를 지원하는 GPU 가속 분자 역학 코드를 제공합니다.

대상 사용자

분자 및 재료 특성을 예측하기 위한 모델을 구축하고 학습시켜야 하는 원자 단위 머신러닝, 양자 화학 및 재료 과학 분야의 연구자 및 과학자.

주요 특징

• 사전 구축된 아키텍처: 양자 상호 작용 모델링을 위한 SchNet 및 PaiNN 포함
• 벤치마크 통합: QM9 및 MD17과 같은 일반적인 벤치마크 데이터 세트에 대한 간단한 CLI 액세스
• 고급 물리 모듈: 쌍극자 모멘트, 응력 텐서 및 정전기학에 대한 내장 지원
• MD 통합: GPU 가속 분자 역학 및 LAMMPS 인터페이스
• 유연한 구성: 모델 및 데이터의 계층적 구성을 위해 Hydra 사용