atomistic-machine-learning/schnetpack

解決的問題

SchNetPack 是一個用於開發與應用深度神經網路來預測分子與材料量子化學性質（如位能面、偶極矩與極化率）的工具箱。它透過提供必要的構建模組、訓練管理以及對基準數據集的存取，簡化了實現與評估新型原子級神經網路模型的過程。

工作原理

該函式庫利用 PyTorch Lightning 與 Hydra 進行靈活的配置與訓練。它實現了多種專門的架構，包括 SchNet（連續濾波器 CNN）與 PaiNN（等變訊息傳遞），並包含靜電、Ewald 求和以及 ZBL 排斥的模組。它還提供了一個支援熱浴、壓浴與路徑積分 MD 的 GPU 加速分子動力學程式碼。

適用對象

需要建構、訓練模型以預測分子與材料性質的原子級機器學習、量子化學與材料科學領域的研究人員與科學家。

亮點

• 預建構架構：包括用於模擬量子交互作用的 SchNet 與 PaiNN。
• 基準測試整合：透過簡單的 CLI 存取常用基準數據集，如 QM9 與 MD17。
• 進階物理模組：內建對偶極矩、應力張量與靜電的支援。
• MD 整合：GPU 加速的分子動力學以及與 LAMMPS 的介面。
• 靈活配置：使用 Hydra 進行模型與數據的分層配置。