materialyzeai/maml

Python for Materials Machine Learning, Materials Descriptors, Machine Learning Force Fields, Deep Learning, etc.

What it solves

它簡化了機器學習在材料科學中的應用，透過提供高階介面，將晶體和分子結構轉換為機器可學習的特徵，並預測材料性質。

How it works

該套件整合了現有的工具，如 scikit-learn、TensorFlow、pymatgen 和 matminer。它將材料數據轉換為特定的描述符（例如 SOAP、Bispectrum coefficients 和 Graph network features），並使用這些特徵透過 scikit-learn 或 Keras 進行模型訓練。它特別支持用於勢能面（Potential Energy Surface）的代理模型建立，以及使用貝氏優化（Bayesian optimization）進行結構弛豫。

Who it’s for

材料科學家和研究人員，希望在不從零開始建立低階數據處理流程時，將 ML 演算法應用於預測材料性質或建模原子環境。

Highlights

  • Feature Generation: Supports fine-grain local environment features including SOAP, Behler Parrinello symmetry functions, and Bispectrum coefficients.
  • Potential Energy Surface (PES) Modeling: Provides tools for Neural Network Potentials (NNP), Gaussian approximation potentials (GAP), and Spectral neighbor analysis potentials (SNAP).
  • Structural Relaxation: Includes the bowsr module for rapid structural relaxation using Bayesian optimization.
  • X-ray Spectroscopy: Features the rfxas module for predicting atomic local environments from X-ray absorption spectroscopy using random forests.

註：由於翻譯內容包含 Markdown 格式，翻譯後的內容會保留 Markdown 格式。