mir-group/flare

An open-source Python package for creating fast and accurate interatomic potentials.

FLARE란 무엇인가요?

FLARE (Fast Learning of Atomistic Rare Events)는 오픈소스 Python 라이브러리로, 베이지안 원자간 힘장(Bayesian interatomic force fields)을 구축합니다. 원자적 기술자(ACE, B2 등)와 스파스 가우시안 프로세스(GP) 회귀 모델을 결합하여 양자역학적 기준 데이터에서 포텐셜을 학습합니다. 결과적으로 얻어진 포텐셜은 분자역학(MD)에 충분히 빠르면서도 불확실성 추정을 제공하여 실시간 활성 학습을 가능하게 합니다.

주요 기능

기능	FLARE의 구현 방식
정확한 힘장	ACE 유형 기술자와 정규화된 도트곱 커널을 사용한 스파스 GP로 다체 상호작용을 포착합니다.
불확실성 인식 MD	GP는 각 예측에 대해 분산을 반환하여 모델이 불확실한 구성을 시뮬레이션에서 식별할 수 있게 합니다.
활성 학습 워크플로우	고불확실성 구성을 자동으로 학습 세트에 추가(실시간 학습)하거나 오프라인 학습 루프로 사용할 수 있습니다.
LAMMPS 통합	pybind11를 통해 C++ 페어 스타일을 제공하며, LAMMPS에 컴파일 가능하여 베이지안 힘장을 사용한 대규모 MD를 가능하게 합니다.
사용자 정의 기술자	사용자가 자신의 기술자 함수를 삽입해도 동일한 스파스-GP 기계를 사용할 수 있습니다.
대규모 데이터셋 확장성	스파스 GP로 계산 비용을 O(N³)에서 O(M³)로 감소시켜, 선택된 '스파스 환경' 수(M, 일반적으로 수천 수준)에 따라 효율적으로 확장됩니다.
열전도성 도구	예제 노트북에서는 Phono3py 및 Phoebe와 연동하여 FLARE 포텐셜로 격자 열전도율을 계산하는 방법을 보여줍니다.

일반적인 사용 사례

재료 탐색 – 새로운 합금이나 촉매에 대해 베이지안 힘장을 구축하고, 모델이 고비용 DFT 계산이 필요한 구성을 자동으로 결정하도록 합니다.
희귀 사건 시뮬레이션 – 긴 시간 척도에서 발생하는 반응이나 상전이를 연구합니다. 불확실성 추정은 가장 정보가 풍부한 영역에 샘플링을 집중시킵니다.
가속 MD – 고비용의 아비니오 MD를 학습된 FLARE 포텐셜로 대체하면서도 신뢰도 측정을 유지합니다.
열성질 계산 – FLARE-LAMMPS로 힘 상수를 생성하고, 이를 Phono3py / Phoebe에 공급하여 전도율 예측을 수행합니다.

시작하기

# PyPI에서 최신 릴리스 설치
pip install mir-flare

패키지는 GCC 11로 컴파일된 필수 C++ 확장 기능을 자동으로 가져옵니다.

소스를 수정해야 하는 개발자는 README에 자세한 개발자 설치 가이드와 LAMMPS에 FLARE 페어 스타일을 컴파일하는 방법이 안내되어 있습니다.

학습 리소스

문서 사이트 – https://mir-group.github.io/flare (API 참조, 설치, 튜토리얼)
Colab 노트북 – 인터랙티브 튜토리얼로 다음을 다룹니다:
- ASE를 사용한 베이지안 힘장 구축(오프라인 및 실시간 활성 학습)
- C++ API를 통한 LAMMPS 기반 완전한 활성 학습 실행
- 사용자 정의 기술자 통합
- Phono3py 및 Phoebe를 사용한 열전도율 워크플로우
예제 갤러리 – 문서의 "관련" 페이지에 실제 응용 사례와 벤치마크 결과가 나열되어 있습니다.

기술적 요구사항

컴파일러: GCC 11(테스트 완료); 다른 C++ 컴파일러도 작동할 수 있으나 보장되지 않습니다.
Python: 3.x, pip>=20 필요.
옵션: 더 빠른 선형 대수를 위한 Intel MKL; 대규모 모델(10,000 이상의 스파스 환경)은 100GB 이상의 RAM이 권장됩니다.
OS: Ubuntu 20.04에서 개발됨; macOS 및 Windows(WSL 또는 네이티브 빌드)에서도 작동합니다.

검증 및 테스트

프로젝트에는 pytest 테스트 세트가 포함되어 있습니다. 설치 후 다음을 실행하여 라이브러리와 컴파일된 확장 기능이 정상적으로 작동하는지 확인할 수 있습니다:

pip install pytest
cd tests
pytest

인용

FLARE를 발표된 연구에 사용할 경우, README에 나열된 적절한 논문을 인용해 주세요(활성 학습 베이지안 힘장, LAMMPS 페어 스타일, 매핑된 GP 등).

TL;DR – FLARE는 LAMMPS와의 밀접한 통합과, 몇 번의 DFT 계산에서부터 대규모 MD까지 수분 내에 전환할 수 있는 튜토리얼을 갖춘 Python 중심의 GP 기반 프레임워크입니다. 고속이고 불확실성 인식 가능한 원자간 포텐셜을 구축할 수 있습니다.