材料科学
材料科学是研究材料的组织结构、性质、生产流程和使用效能以及它们之间的相互关系，集物理学、化学、冶金学等于一体的科学。材料科学是一门与工程技术密不可分的应用科学。
==== |
====== |
========= |
======= |
===== |
==== |
==== |
==== |
======= |
======= |
============ |
| 固体物理学 | 结构化学 | 群论 | 群表示论 | 量子力学 | 量子化学 | 材料科学基础 | 计算材料科学 |
| 分子动力学模拟 | 机器学习 | 软件 | 资源 | 论文 | VIP |
材料科学软件
| 材料科学工程领域机器学习的数据库和软件包汇总 |
Graphormer
Graphormer ： Graphormer是一个深度学习包，允许研究人员和开发人员为分子建模任务训练自定义模型。旨在加速人工智能在分子科学方面的研究和应用，如材料发现、药物发现等。项目网站。文档网站。 Graphormer是一个深度学习包，允许研究人员和开发人员为分子建模任务训练自定义模型。它旨在加速人工智能在分子科学方面的研究和应用，例如材料发现、药物发现等。现在它支持各种分子模拟任务，例如分子动力学和性质预测。在不久的将来，它将进一步支持分子科学中的重要应用，如反应预测、逆合成、分子生成、大分子（聚合物、蛋白质）建模、药物-蛋白质相互作用（DPI）等。 Graphomer最初在NeurIPS 2021的论文中描述过Transformer在图形表示学习方面真的表现糟糕吗？提出的Graphormer是第一个基于标准Transformer构建的深度学习模型，在图形级预测任务上大大优于所有传统图形神经网络。 Graphormer在KDD Cup–OGB-LSC量子化学赛道上获得第一名，该赛道旨在使用人工智能预测380多万个分子的量子特性。此次比赛吸引了500多支球队参加，其中包括DeepMind和其他大公司。最近，Graphormer赢得了Open Catalyst Challenge（开放催化剂挑战赛），这是一项分子动力学竞赛，旨在通过AI对催化剂吸收反应系统进行建模，并通过密度泛函理论（DFT）软件模拟了66多万个催化剂吸收弛豫系统（1.44亿个结构能量框架）。赢得OC挑战表明，Graphormer可以在很大程度上为材料发现和其他重要领域的新AI技术的发展带来好处。 |
机器学习力场软件
| The sGDML Package ： 它包括一个命令行界面，指导用户完成模型创建和测试的整个过程，以实现此ML 广泛从业人员可以使用的方法。原子模拟环境（ASE）或i-PI的接口使执行MD模拟、振动分析、结构优化、微振动弹性带计算等变得简单。 |
The SchNetPack Package （基于PyTorch）： SchNetPack是一个工具箱，用于开发和应用深层神经网络 分子和材料的原子模型https://schnetpack.readthedocs.io/.它提供了对基于（加权）原子中心对称函数和深张量神经网络SchNet的模型的访问，这些模型可以耦合到广泛的输出模块，以预测势能表面和力，以及越来越多的其他量子化学性质。SchNetPack设计为易于扩展到其他神经网络潜力，如DTNN或PhysNet。它为培训和部署这些模型提供了广泛的功能，包括访问公共基准数据集。它还提供了一个原子模拟环境（ASE）计算器接口，可用于执行ASE中实现的各种任务。此外，SchNetPack还包括一个全功能MD套件，可用于在不同信号群中执行高效的MD和PIMD模拟。 由于它基于PyTorch深度学习框架，SchNetPack模型非常高效，可以应用于大型数据集和多个GPU。结合代码包的模块化设计范例，这些特性还允许直接的实现和评估新型号的。与sGDML包类似，SchNetPack中训练模型的主要商品是包含笛卡尔几何（包括单元和周期边界条件，如果适用）和原子类型以及要建模的目标属性（例如能量、力、偶极矩等）的数据集。 |
| Atomistic Machine-Learning Package （AMP） ： AMP是一个Python软件包，旨在与原子模拟环境（ASE）紧密集成，并力求尽可能直观。其模块化架构允许结构描述符和模型类型的多种不同组合。AMP的主要思想是按需构造ML FF，即首先用从头计算方法开始模拟，然后在模型足够精确时切换到MLFF。 |
DeePMD-Kit （基于Tensorflow 2.0 ）： DeePMD工具包是一个用Python/C++编写的包，旨在尽可能减少用不同的结构描述符构建深层NNP所需的工作量。它基于TensorFlow深度学习框架，为高性能经典和路径积分MD包LAMMPS和i-PI提供接口。 |
Dscribe ： Dscribe是一个Python包，用于将原子结构转换为固定大小的数字指纹。然后，这些描述符可以用作神经网络或核机器的输入，以构造ML-FF。支持的表示包括标准库仑矩阵28和用于描述周期系统、ACSF、SOAP和MBTR的变体。 |
n2p2 ： 神经网络电位包（n2p2）允许研究人员使用Behler Parinello NNP的现有参数化来预测能量和力（使用独立工具或LAMMPS MD包），但它也提供了生成新电位的培训工具。它主要是用C++编写的。 |
PROPhet ： PROPerty Prophet软件包使用神经网络预测化学结构和材料性能之间的关系。因此，它还可以用于生成基于NN的MLFF。它包括自动从几个从头算代码的输出文件中提取感兴趣的属性的工具，以及LAMMPS MD包的接口。 |
QML || GitHub ：QML是一个学习用Python编写的分子和固体特性的工具包。它提供了构建高效、准确的基于内核的ML模型的构建块，例如不同的内核函数和premade 许多不同结构表示的实现，例如库仑矩阵、SLATM和FCHL。 |
RuNNer： RuNNer代码是高维神经网络势的第一个实现，源代码是免费的。 |
TensorMol （基于Tensorflow 2.0 ）： TensorMol软件包允许研究人员训练能明确解释静电相互作用的NNP。它基于TensorFlow深度学习框架，包括i-PI接口，用于执行路径积分模拟。 |
软件学习资料