ACEsuit/mace

解决的问题

MACE 提供了一种创建快速且准确的机器学习原子间势能的方法。它使研究人员能够使用机器学习来建模原子系统（如材料和有机分子）的能量和力，避免了传统量子力学计算的高计算成本，同时保持高精度。

工作原理

MACE 使用高阶等变消息传递神经网络来处理原子的 3D 点云。它可以从原子构型数据（XYZ 文件）从头开始训练，也可以从现有的基础模型进行微调。该系统支持多种训练技术，例如 EMA（指数移动平均）、amsgrad，以及两阶段训练过程，以减少能量误差。

适用人群

专为需要进行分子动力学模拟或评估原子结构特性的计算化学家、材料科学家和物理学家设计。

主要亮点

• 基础模型：包含材料（MACE-MP）、有机化学（MACE-OFF）和静电学（MACE-Polar）的预训练模型。
• 可扩展性：通过 PyTorch DistributedDataParallel 支持多 GPU 训练，并支持在线数据加载，适用于超出 GPU 内存的数据集。
• CUDA 加速：与 cuEquivariance 库集成，可在 NVIDIA GPU 上实现更快的性能。
• 灵活训练：支持多种精度级别（float32/float64），并在训练过程中允许估计原子参考能量（E0）。