atomistic-machine-learning/schnetpack

解决的问题

SchNetPack 是一个用于开发和应用深度神经网络来预测分子和材料量子化学性质（如势能面、偶极矩和极化率）的工具箱。它通过提供必要的构建模块、训练管理以及对基准数据集的访问，简化了实现和评估新型原子级神经网络模型的过程。

工作原理

该库利用 PyTorch Lightning 和 Hydra 进行灵活的配置和训练。它实现了多种专门的架构，包括 SchNet（连续滤波器 CNN）和 PaiNN（等变消息传递），并包含静电、Ewald 求和以及 ZBL 排斥的模块。它还提供了一个支持热浴、压浴和路径积分 MD 的 GPU 加速分子动力学代码。

适用对象

需要构建、训练模型以预测分子和材料性质的原子级机器学习、量子化学和材料科学领域的科研人员和科学家。

亮点

• 预构建架构：包括用于模拟量子相互作用的 SchNet 和 PaiNN。
• 基准测试集成：通过简单的 CLI 访问常用基准数据集，如 QM9 和 MD17。
• 高级物理模块：内置对偶极矩、应力张量和静电的支持。
• MD 集成：GPU 加速的分子动力学以及与 LAMMPS 的接口。
• 灵活配置：使用 Hydra 进行模型和数据的分层配置。