facebookresearch/fairchem

FAIR Chemistry's library of machine learning methods for chemistry

해결하는 문제

fairchem은 재료 과학 및 양자 화학을 위한 중앙 집중식 저장소를 제공하며, 느린 기존 밀도 함수 이론(DFT) 계산을 대체할 수 있는 고성능 기계학습 원자 간 포텐셜(MLIP)을 제공합니다. 연구자들은 다양한 화학 분야에서 원자 모델링, 분자 동역학, 구조 최적화를 훨씬 더 빠르고 정확하게 수행할 수 있습니다.

작동 방식

이 프로젝트는 사전 훈련된 모델인 UMA(Universal Materials Architecture) 모델을 구현합니다. 이 모델들은 원자 시뮬레이션 환경(ASE)의 계산기로 사용할 수 있습니다. 특정 작업 이름(예: 촉매용 oc20, 무기 물질용 omat)을 선택함으로써 촉매, 무기 결정, 폴리머 등 다양한 시스템의 잠재 에너지와 힘을 예측할 수 있습니다.

대상 사용자

대규모 원자 모델링 및 분자 동역학를 수행해야 하는 재료 과학, 양자 화학, 계산 화학 분야의 연구자 및 과학자들을 위한 것입니다.

주요 특징

  • 유니버설 모델 지원: (전기)촉매, 무기 물질, 분자, 폴리머, 분자 결정 등 다양한 작업을 지원합니다.
  • 고성능: 분자 동역학용 '터보 모드'를 제공하며, Ray를 통해 시ーム리스한 다중 노드, 다중 GPU 추론을 지원합니다.
  • 통합성: FAIRChemCalculator를 통해 Atomic Simulation Environment(ASE)와 완전히 통합되어 있습니다.
  • 확장성: 대규모 동역학 시뮬레이션을 위해 LAMMPs와 호환됩니다.

관련

  • 프로젝트
    ztxz16/fastllm

    FastLLM은 C++ 기반의 PyTorch 없는 대규모 언어 모델 추론 엔진입니다. Dense 및 MoE 모델, 하이브리드 GPU/CPU/NUMA/디스크 배포, 멀티 GPU 텐서 병렬 처리, 추측 디코딩(MTP/DSpark/DFlash2), 다양한 양자화 형식을 지원하며 Python CLI, 웹 UI, OpenAI 호환 API 서버를 제공합니다. `pip install ftllm`으로 설치하고, `ftllm run`으로 모델을 실행하고, `ftllm server`로 서비스를 시작합니다. 광범위한 문서는 모델별 가이드, 성능 튜닝, 커뮤니티 지원을 다룹니다.

  • 프로젝트
    IBM/materials

    IBM/materials는 화학 및 재료 과학을 위한 진정한 오픈소스 대규모 기초 모델 세트입니다. SMILES, SELFIES, 그래프, 3차원 구조 등의 단일 모달 모델과 다모달 융합 도구를 모두 통합된 Python 래퍼(FM4M‑Kit) 또는 Hugging Face 웹 UI를 통해 접근할 수 있습니다. 리포지토리에는 설치 지침, 예제 노트북, Hugging Face에서 호스팅된 모델 링크가 포함되어 있습니다.

  • 프로젝트
    lynote-ai/ai-image-detector

    AI Image Detector는 이미지가 AI에 의해 생성되었을 가능성을 추정하는 오픈소스 Python 도구입니다. UnivFD, Sentry, Nonescape, 하이브리드 앙상블 등 여러 준비된 백엔드를 제공하며, 단일 명령(`aidetect detect …`)으로 파일이나 폴더를 검사해 확률과 라벨을 출력합니다. 선택적인 extras를 통해 Gradio 웹 UI 또는 FastAPI 서버를 사용할 수 있습니다. 레포에는 벤치마크 스크립트, 임계값 보정, 백엔드 선택 가이드가 포함되어 있습니다. 가볍고 한 번 설치하면 어디서든 실행 가능한 AI 이미지 탐지 유틸리티이며, 전역 보장이나 영역 수준 로컬라이제이션은 제공되지 않음이 명시되어 있습니다.

  • 프로젝트
    ACEsuit/mace

    MACE는 등변 그래프 신경망 원자간 포텐셜을 위한 오픈소스 PyTorch 라이브러리입니다. 빠른 학습/평가, 멀티 GPU 및 Apple-Silicon 지원, 선택적 CUDA 가속, 재료 및 유기 화학용 사전 학습된 기초 모델 카탈로그를 제공합니다. `pip install mace-torch`로 설치하고, `mace_run_train` CLI(또는 YAML 설정)로 학습, `mace_eval_configs`로 평가할 수 있습니다. 문서, Colab 튜토리얼, Weights & Biases 통합이 포함되어 있습니다. v0.3 라인은 안정적이며, 대규모 v1.0 리팩터링이 진행 중입니다.

  • 프로젝트
    yakhyo/uniface

    UniFace는 15가지 얼굴 분석 작업—탐지, 랜드마크, 3D 메쉬, 파싱, 매팅, 시선, 머리 자세, 인구 통계, 감정, 품질, 안티 스푸핑, 인식, 익명화, 그리고 FAISS 기반 유사도 검색—을 하나의 설치하기 쉬운 패키지(CPU, Apple Silicon, 또는 CUDA)로 통합한 Python 라이브러리입니다. 일관된 API, 자동 모델 가중치 다운로드, 풍부한 문서, 노트북, 그리고 커뮤니티 Discord를 제공합니다.