mir-group/flare

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

什么是 FLARE？

FLARE（原子罕见事件的快速学习）是一个开源的 Python 库，用于构建 贝叶斯原子间力场。它将原子描述符（ACE、B2 等）与 稀疏高斯过程（GP）回归模型相结合，从量子力学参考数据中学习势能。生成的势能足够快，可用于分子动力学（MD），同时提供 不确定性估计，支持实时主动学习。

主要功能

功能	FLARE 的实现方式
高精度力场	使用 ACE 类型描述符和归一化点积核的稀疏 GP 捕捉多体相互作用。
不确定性感知 MD	GP 为每个预测返回方差，使模拟能够标记模型不确定的构型。
主动学习工作流	FLARE 可自动将高不确定性构型添加到训练集中（“实时学习”），或用于离线训练循环。
LAMMPS 集成	提供 C++ 对势（通过 pybind11），可编译进 LAMMPS，支持使用贝叶斯力的大规模 MD。
自定义描述符	用户可插入自己的描述符函数，仍可使用相同的稀疏 GP 机制。
可扩展至大规模数据集	稀疏 GP 将成本从 O(N³) 降低到 O(M³)，其中 M 是选定的“稀疏环境”数量（通常为数千）。
热输运工具	示例笔记本展示了与 Phono3py 和 Phoebe 联用，从 FLARE 势能计算晶格热导率的方法。

典型应用场景

材料发现 – 为新材料（如合金或催化剂）构建贝叶斯力场，让模型决定哪些构型需要昂贵的 DFT 计算。
罕见事件模拟 – 研究在长时间尺度上发生的反应或相变；不确定性估计有助于将采样集中在最有信息量的区域。
加速 MD – 用学习得到的 FLARE 势能替代昂贵的第一性原理 MD，同时保留置信度度量。
热性质计算 – 使用 FLARE-LAMMPS 生成力常数，并输入 Phono3py / Phoebe 以预测热导率。

快速上手

# 从 PyPI 安装最新版本
pip install mir-flare

*该包会自动拉取所需的 C++ 扩展（使用 GCC 11 编译）。

对于需要修改源码的开发者，README 提供了详细的开发者安装指南以及编译 LAMMPS 以集成 FLARE 对势的说明。

学习资源

文档网站 – https://mir-group.github.io/flare（API 参考、安装、教程）。
Colab 笔记本 – 交互式教程涵盖：
- 使用 ASE 构建贝叶斯力场（离线与实时主动学习）
- 通过 C++ API 运行完整的 LAMMPS 主动学习流程
- 自定义描述符集成
- 使用 Phono3py 和 Phoebe 的热导率工作流
示例画廊 – 文档的“相关”页面列出了真实世界应用和基准结果。

技术要求

编译器：GCC 11（已测试）；其他 C++ 编译器可能可用，但不保证。
Python：3.x，pip>=20。
可选：Intel MKL 用于更快的线性代数；大型模型（10k+ 稀疏环境）建议 ≥100 GB 内存。
操作系统：在 Ubuntu 20.04 上开发；支持 macOS 和 Windows（通过 WSL 或原生构建）。

验证与测试

项目包含 pytest 测试套件。安装后可运行：

pip install pytest
cd tests
pytest

以验证库及其编译扩展在您的机器上是否正常工作。

引用

如果在发表工作中使用 FLARE，请引用 README 中列出的相关论文（主动学习贝叶斯力场、LAMMPS 对势、映射高斯过程等）。

TL;DR – FLARE 是一个以 Python 为中心、基于高斯过程的框架，用于构建快速、不确定性感知的原子间势能，与 LAMMPS 紧密集成，并提供一系列教程，让您从几次 DFT 计算快速过渡到大规模 MD 模拟。