ACEsuit/mace

解決的問題

MACE 提供了一種建立快速且精確的機器學習原子間勢能的方法。它讓研究人員能使用機器學習來建模原子系統（如材料與有機分子）的能量與作用力，避免傳統量子力學計算的高計算成本，同時維持高精度。

工作原理

MACE 使用高階等變訊息傳遞神經網路來處理原子的 3D 點雲。可從原子構型資料（XYZ 檔案）從頭訓練，也可從現有的基礎模型進行微調。系統支援多種訓練技術，例如 EMA（指數移動平均）、amsgrad，以及兩階段訓練流程，以減少能量誤差。

適用對象

專為需要進行分子動力學或評估原子結構特性的計算化學家、材料科學家與物理學家設計。

主要亮點

• 基礎模型：包含材料（MACE-MP）、有機化學（MACE-OFF）與靜電學（MACE-Polar）的預訓練模型。
• 可擴展性：透過 PyTorch DistributedDataParallel 支援多 GPU 訓練，並支援線上資料載入，適用於超過 GPU 記憶體的資料集。
• CUDA 加速：與 cuEquivariance 庫整合，可在 NVIDIA GPU 上實現更快的效能。
• 靈活訓練：支援多種精度層級（float32/float64），並可在訓練期間估計原子參考能量（E0）。