计算化学公社

标题: MLatom 3软件包:机器学习和计算化学模拟 [打印本页]

作者
Author:
huangshulin    时间: 2024-2-27 10:11
标题: MLatom 3软件包:机器学习和计算化学模拟
本帖最后由 huangshulin 于 2024-11-14 09:57 编辑

厦门原子计算套件(Xiamen AtomicComputing Suite, XACS),由三个计算化学软件组成,包括厦门价键(XMVB)、厦门能量分解分析(XEDA)和机器学习原子模拟(MLatom)。本篇主要介绍的是MLatom@XACS。更多详细信息请点击在线教程查阅。综述:厦大 Pavlo Dral 团队: 计算化学中的 AI – 深耕十年的独到视角

如果你想要学习更多AI增强的计算化学,你可以在线观看我们最新发布的迷你课程,它非常适合想要更新计算工具的初学者和专家。
现代计算化学与人工智能:课程已上线!(可直接点击查看)

MLatom 3发布一周年:从3.0到3.10
在这一年里,MLatom总计有10次更新(PyPI上有12次发布),所以别忘了更新你的MLatom!
  1. pip install --upgrade mlatom
复制代码


我们对之前的更新做了总结

MLatom@XACS上的额外更新(XACS云计算平台上的特殊MLatom版本,包含最新且未发布的功能):

Github和PyPI上的更新:



MLatom 3@XACS的功能“MLatom3: A Platform for Machine Learning-EnhancedComputational Chemistry Simulationsand Workflows”为题发表在Journalof Chemical Theory and Computation期刊上(J. Chem. Theory Comput. 2024, 20, 1193–1213)。我们将其转换为互动式在线教程,也可查看视频概述。【AI计算化学:MLatom@XACS——JCTC论文和在线教程】 https://www.bilibili.com/video/B ... ecae4c13150251a2934
(, 下载次数 Times of downloads: 20)


了解MLatom的功能
MLatom 3是一个软件包,旨在利用机器学习的强大功能来增强典型的计算化学模拟,并创建复杂的工作流程。MLatom作为一个开源包为用户提供了丰富的选择,用户可以使用命令行选项、输入文件或脚本(使用MLatom作为Python包),为了进一步便捷地使用AI增强的计算化学,也可以在XACScloud.com上使用。计算化学家可以使用 ML、量子力学和组合模型计算能量和热力学性质,优化几何构型,运行分子和量子动力学,并模拟(转)振动、单光子紫外/可见吸收和双光子吸收光谱。
(, 下载次数 Times of downloads: 21)

用户可以从包含预训练的机器学习模型和量子力学近似方法的广泛库中进行选择,例如接近耦合簇精度的AIQM1。开发人员可以使用各种机器学习算法构建自己的模型。MLatom具有极大的灵活性,这是因为使用了许多先进软件包和库的接口。
(, 下载次数 Times of downloads: 16)
MLatom的两种使用模式的示例:通过输入文件和 Python API

MLatom的开发和贡献
对于开发人员,MLatom提供了一个灵活的平台,用于实现新的接口,因为只需提供支持使用新模型进行预测(训练)的新类。例如,MACE的实现在一天内完成,测试需要额外一天的时间。一旦实现了这些模型,它们就可以轻松用于模拟。欢迎向MLatom的主要GitHub存储(https://github.com/dralgroup/mlatom)贡献,并可以通过分支(根据要求)和贡献者可能为其方法和功能的私有开发创建的分支进行拉取请求。经过主要开发团队的审查和可能的调整后,拉取请求可能会合并到官方版本中。

支持与联系
如果您有进一步的问题、批评和建议,我们很乐意通过电子邮件、Slack社区或微信(请发送电子邮件请求将您添加到XACS用户支持组)接收您的意见。更多视频教程,可前往我们在B站的官方账号查看 https://b23.tv/1z0ZnJZ
(, 下载次数 Times of downloads: 12)



作者
Author:
ecoliscu    时间: 2024-2-27 22:31
厦大的就是厉害
作者
Author:
huangshulin    时间: 2024-3-4 17:26
MLatom@XACS教程:使用MLatom@XACS执行过渡态搜索和分析(频率和IRC)

可在XACS官网上查看https://xacs.xmu.edu.cn/docs/mlatom-cn/tutorial_ts.html,也可查看视频【使用MLatom@XACS进行过渡态计算】 https://www.bilibili.com/video/B ... ecae4c13150251a2934

我们以Diels–Alder反应为例,演示了如何使用GFN2-xTB和AIQM1(AI增强的量子力学方法)提供合理的过渡态几何结构,以及其他方法,如密度泛函理论(DFT)和机器学习模型。MLatom@XACS可直接通过浏览器在XACScloud.com上运行模拟。欢迎论坛内的网友们前往体验和使用,如果您有问题可直接在本帖回复!

该教程是由厦门大学Pavlo Dral教授和他团队的研究生陈余忻忻(http://dr-dral.com)准备的。
作者
Author:
huangshulin    时间: 2024-3-5 16:12
本帖最后由 huangshulin 于 2024-3-21 14:27 编辑

MLatom@XACS教程:使用MLatom@XACS进行单点能计算

可在XACS官网上查看https://xacs.xmu.edu.cn/docs/mlatom-cn/sp.html,也可查看视频【使用MLatom@XACS进行单点能计算】 https://www.bilibili.com/video/BV1Fx421f74X/?share_source=copy_web&vd_source=7791e056d104aecae4c13150251a2934

MLatom能够使用各种模型和方法计算单点能,包括:

在这里我们将说明如何使用MLatom@XACS中不同类别的方法计算ISOL24数据集中糖的异构化能。

(, 下载次数 Times of downloads: 17)

该教程是由厦门大学Pavlo Dral教授团队的研究生陈余忻忻(http://dr-dral.com)准备的。

作者
Author:
huangshulin    时间: 2024-3-13 19:36
厦门大学Pavlo O. Dral教授在Chemical Communication期刊上发表了特邀文章,题为《从十年历程看计算化学中的人工智能》的综述。本文通过Pavlo O. Dral教授十年来在这一迅速发展领域所做出的贡献,并结合这一领域快速发展的趋势,反映了人工智能工具在计算化学领域的进展。

通过阅读本篇综述,可以更加全面的了解计算化学与人工智能的研究信息,也可查看视频介绍【Chem. Commun. 特邀文章:从十年历程看计算化学中的人工智能】 https://www.bilibili.com/video/B ... ecae4c13150251a2934

如果您想了解有关计算化学与人工智能的更多信息,请访问Pavlo O. Dral教授的课题组网站dr-dral.com,上述提到的内容均在网站上有更加详细的介绍。

作者
Author:
yang_jin    时间: 2024-3-14 09:24
泪目,这是我苦苦追寻许久的东西,感谢大佬的无私奉献
作者
Author:
rugals    时间: 2024-3-14 16:57
请问楼主,XACS支持的量子动力学是基于什么做的?是否有进一步的介绍?
作者
Author:
huangshulin    时间: 2024-3-15 09:16
yang_jin 发表于 2024-3-14 09:24
泪目,这是我苦苦追寻许久的东西,感谢大佬的无私奉献

感谢支持,如有问题可随时与我们联系交流!
作者
Author:
huangshulin    时间: 2024-3-21 08:58
rugals 发表于 2024-3-14 16:57
请问楼主,XACS支持的量子动力学是基于什么做的?是否有进一步的介绍?

量子动力学本来是开放量子系统的量子耗散动力学。具体的可以查看 http://mlatom.com/mlqd/http://mlatom.com/manual/#mlqd
作者
Author:
huangshulin    时间: 2024-3-21 10:17
本帖最后由 huangshulin 于 2024-3-21 15:15 编辑

MLatom@XACS教程:使用MLatom@XACS从分子动力学轨迹计算振动光谱

可在XACS官网上查看https://xacs.xmu.edu.cn/docs/mlatom-cn/tutorial_md2vibr.html,也可查看视频【MLatom 3.2.0正式发布!】 https://www.bilibili.com/video/BV1sf421Z73k/?share_source=copy_web&vd_source=7791e056d104aecae4c13150251a2934  在本次教程中,我们会展示如何在MLatom中使用分子动力学轨迹模拟振动光谱。欢迎论坛内的网友们前往体验和使用,如果您有问题可直接在本帖回复!

红外光谱可以通过对偶极矩的自相关函数做傅里叶变换得到:


(, 下载次数 Times of downloads: 17)

这两篇论文提出了从分子动力学轨迹计算振动光谱的理论:DOI: 10.1039/C3CP44302G 和 DOI: 10.1039/C6CP05849C。在MLatom中实现的分子动力学和由此得出的振动光谱的详细细节在这篇论文中描述(DOI: 10.1039/D3CP03515H)。

该教程是由厦门大学Pavlo Dral教授和他团队的博士生侯一帆(http://dr-dral.com)准备的。

作者
Author:
huangshulin    时间: 2024-4-11 09:39
MLatom@XACS教程:在MLatom@XACS中训练和使用机器学习势

可在XACS官网上查看https://xacs.xmu.edu.cn/docs/mlatom-cn/tutorial_mlp.html,也可查看视频【在MLatom@XACS中训练和使用机器学习势】 https://www.bilibili.com/video/BV1yt421E7b5/?share_source=copy_web&vd_source=7791e056d104aecae4c13150251a2934

MLatom@XACS是一个强大的工具,用于训练和使用机器学习势。它支持各种代表性的势能。
这些势能包括:


(, 下载次数 Times of downloads: 12)



作者
Author:
huangshulin    时间: 2024-4-17 20:01
本帖最后由 huangshulin 于 2024-4-17 20:02 编辑

JPCL | 什么是机器学习势所需要的:模拟导向训练
(, 下载次数 Times of downloads: 16)


较低的势能误差并不能保证机器学习势在模拟中的良好性能。原因之一是很难在训练过程中平衡不同PES区域的描述。特别在训练含有许多严重扭曲构型的高变形能分子的全局PES数据时更是如此。

我们研究并展示了如何在训练中解决这个问题,以提高机器学习势在模拟而不是单纯在验证或测试集上的性能。在这项工作中,我们使用了能量加权训练,并对加权函数进行优化以获得更好的模拟结果。获得的机器学习势可用于繁重的扩散蒙特卡罗模拟——这需要数十亿次的精密计算才能获得准确的非谐零点振动能。

请参阅我们在JPCL中的论文了解更多详细信息,以及查看使用MLatom@XACS进行此类模拟的教程

论文信息:
Tell Machine Learning Potentials What They Are Needed For: Simulation-Oriented Training Exemplified for Glycine. J. Phys. Chem. Lett.2024, 15, 4451–4460.
Fuchun Ge, Ran Wang, Chen Qu, Peikun Zheng, Apurba Nandi, Riccardo Conte, Paul L. Houston, Joel M. Bowman*, Pavlo O. Dral*

DOI: 10.1021/acs.jpclett.4c00746


作者
Author:
huangshulin    时间: 2024-5-1 13:40
本帖最后由 huangshulin 于 2024-5-1 13:42 编辑

比DFT更快更准确:MLatom@XACS中的AIQM1

AIQM1(人工智能-量子力学方法1)
这是一种通用方法,对于基态闭壳层物种,其计算精度接近于黄金标准的耦合簇量子力学方法,同时计算速度很快,与低水平半经验量子力学方法相近。此外,AIQM1也适用于带电物种、自由基物种以及激发态的计算。可查看AIQM1教程,了解更多详细想信息。也可查看视频介绍和应用示例【比DFT更快更准确:MLatom@XACS中的AIQM1


Peikun Zheng, Roman Zubatyuk, Wei Wu, Olexandr Isayev, Pavlo O. Dral, Artificial Intelligence-Enhanced Quantum Chemical Method with Broad Applicability, Nat. Commun., 2021, 12, 7022, DOI: 10.1038/s41467-021-27340-2

如果您在研究工作中使用了AIQM1方法,请在发表时引用这篇论文。

优势:对于闭壳层分子,AIQM1可用于精确、快速的能量计算和几何构型优化。
限制: 此方法目前仅可用于计算包含H, C, N, O元素的化合物。
可用性:AIQM1可在MLatom软件包中使用,大多数计算可以在线进行,无需安装任何程序,可通过MLatom@XACS云计算运行(XACScloud.com)。


作者
Author:
thor    时间: 2024-5-8 19:45
huangshulin 发表于 2024-5-1 13:40
比DFT更快更准确:MLatom@XACS中的AIQM1

AIQM1(人工智能-量子力学方法1)

这个怎么收费的
作者
Author:
huangshulin    时间: 2024-5-9 15:36
像在PNAS和JACS论文中一样研究反应机理的准经典轨迹!

可查看XACS官网上的在线教程,也可查看视频中的简单介绍!【像在PNAS和JACS论文中一样研究反应机理的准经典轨迹!】

准经典动力学(准经典轨迹(QCT))与经典动力学相比考虑了零点能。它在研究化学反应的工作中非常流行(参见Houk等人的工作:PNAS 2012, 109, 12860和J. Am. Chem. Soc. 2023, 145, 14446)。在本教程中,我们将展示如何在最新发布的MLatom 3.5.0中进行准经典动力学模拟,并重现上述PNAS文章中的结果。

该实现的细节在以下工作中给出(使用该功能请与其他所需的文献一同引用):
Yi-Fan Hou, Lina Zhang, Quanhao Zhang, Fuchun Ge, Pavlo O. Dral. Physics-informed active learning for accelerating quantum chemical simulations. arXiv 2024, DOI: 10.48550/arXiv.2404.11811.



作者
Author:
huangshulin    时间: 2024-5-15 20:12
轻松上手计算化学中的通用AI模型

MLatom支持多种基于机器学习(ML)的通用模型,包括机器势能面和混合ML增强量子力学(QM)方法。它们无需训练即可开箱使用。下表列出了可用的方法:
(, 下载次数 Times of downloads: 8)

可查看XACS官网上的在线教程,也可查看视频中的简单介绍!【轻松上手计算化学中的通用AI模型】

作者
Author:
huangshulin    时间: 2024-5-16 11:14
thor 发表于 2024-5-8 19:45
这个怎么收费的

感谢关注,很抱歉回复晚了。

关于如何收费的问题,这取决于你的需求。XACS云计算的基本版本是免费的,也可以在本地(计算机或集群上)安装免费版本。不过,我们也可以提供更高级的在线计算升级版本,具体需求请可发送邮件咨询xacs@xmu.edu.cn
作者
Author:
thor    时间: 2024-5-16 11:17
huangshulin 发表于 2024-5-16 11:14
感谢关注,很抱歉回复晚了。

关于如何收费的问题,这取决于你的需求。XACS云计算的基本版本是免费的, ...

使用你们在线提交任务计算也是免费?
作者
Author:
huangshulin    时间: 2024-5-16 14:55
thor 发表于 2024-5-16 11:17
使用你们在线提交任务计算也是免费?

是的,目前在线提交任务是免费的。欢迎体验和使用!
作者
Author:
huangshulin    时间: 2024-5-23 10:10
Nat. Commun.:AIQM1赋能加快多尺度量化精修可靠的蛋白质–药物结构

近日,南方科技大学钟龙华课题组首次结合了高效的机器学习势 (MLPs) 和多尺度量化精修方法,提高量化精修的计算效率和可靠性。相关研究结果发表在Nature Communications上。此项工作使用MLatom@XACS软件中耦合簇精度的AIQM1方法,在蛋白质-药物/抑制剂体系(特别是带电体系)量化精修中获得高精度的药物/抑制剂结构。

更多详细内容请参阅:AIQM1赋能加快多尺度量化精修可靠的蛋白质–药物结构,也可查看视频简单介绍:【AIQM1赋能加快多尺度量化精修可靠的蛋白质–药物结构】

论文信息:
Accelerating reliable multiscale quantum refinement of protein–drug systems enabled by machine learning
Zeyin Yan, Dacong Wei, Xin Li & Lung Wa Chung*
Nat. Commun. 2024, 15, 4181. DOI: 10.1038/s41467-024-48453-4



作者
Author:
huangshulin    时间: 2024-5-30 09:26
迁移学习:使用更少的数据构建更好的AI模型
迁移学习(TL)是机器学习(ML)中常用的一种技术。使用它可以训练更好的 AI 模型:在精准的通用计算化学ML 模型AIQM1(Nat. Commun. 2021, 12, 7022)与ANI-1ccx(Nat. Commun. 2019, 10, 2903)的训练中都用到了该技术。也可查看视频简单介绍【迁移学习:使用更少的数据构建更好的AI模型】
(, 下载次数 Times of downloads: 10)


在我们的在线教程中,我们展示了如何使用 MLatom 进行迁移学习。同时,我们提供了Jupyter notebook,您可以在 XACS平台上通过Jupyter lab服务来体验这种强大的机器学习技术。使用XACS平台之前,需注册在XACScloud注册账号(免费)。


作者
Author:
huangshulin    时间: 2024-6-7 20:01
快速上手DFT计算!就在XACS云计算平台!
想要轻松进行DFT计算?不用再找了!视频介绍→【[url=https://www.bilibili.com/video/B ... ecae4c13150251a2934]快速上手DFT计算!就在XACS云计算平台![/url]】
您可以通过简单的输入,在XACS云计算平台轻松地在线运行DFT计算。我们还提供详细的在线教程,帮助你进行各种类型的计算,比如几何构型优化频率、热化学动力学
XACS平台的注册是免费的,您不需要任何费用就可以进行简单的尝试。


作者
Author:
huangshulin    时间: 2024-6-14 13:27
JCTC:使用量子力学和机器学习方法模拟面跳跃动力学

最近,XACS团队与Mario Barbatti以及华沙大学和之江实验室的课题组合作,在JCTC上发表了一篇关于用Python实现多用途的面跳跃动力学的论文。
点击查看视频介绍
【JCTC:使用量子力学和机器学习方法模拟面跳跃动力学】


该实现基于强大的MLatom生态,用于人工智能增强的计算化学。只要几十行Python代码,用户就可以完成从几何优化到简振模采样再到面跳跃动力学模拟和分析的完整工作流。进行动力学计算时,有多种从头算方法,半经验方法和机器学习方法可供选择。其中,基于机器学习的AIQM1可以给出相当好的面跳跃动力学,且计算成本较低。

(, 下载次数 Times of downloads: 12)

[Figure credit: Modified from P. O. Dral, F. Ge, Y.-F. Hou, P. Zheng, Y. Chen, M. Barbatti, O. Isayev, C. Wang, B.-X. Xue, M. Pinheiro Jr, Y. Su, Y. Dai, Y. Chen, S. Zhang, L. Zhang, A. Ullah, Q. Zhang, Y. Ou. JCTC 2024, 20, 1193 under CC-BY license]

有关设置计算的更多细节,请参考我们的在线教程直播回放。回放中有专家关于机器学习面跳跃动力学实现的讨论,以及在XACS云平台上的计算演示。




作者
Author:
huangshulin    时间: 2024-6-20 10:15
本帖最后由 huangshulin 于 2024-7-22 17:01 编辑

分子红外光谱模拟现在上线啦!
分子红外光谱计算已经上线MLatom@XACS平台。点击查看[url=【分子红外光谱模拟现在上线啦!】 https://www.bilibili.com/video/B ... ecae4c13150251a2934]视频介绍[/url]。

仅需非常简单的输入文件,就可以轻松使用DFT计算红外光谱。
(, 下载次数 Times of downloads: 8)

你可以在输出文件中找到振动频率和对应的红外强度。
(, 下载次数 Times of downloads: 11)

更多计算细节和示例文件请参考我们的线上教程


作者
Author:
huangshulin    时间: 2024-7-22 17:06
UAIQM:通用且可更新的AI模型让你火力全开!
我们提出了量子化学中的一个全新范式,即一个通用并且可更新的AI模型平台——简称UAIQM(点击查看在线教程)。我们没有为最近新开发的几十个新的AI模型分别写上几十篇论文,而是将它们集中起来放在一个库中。可查看[url=【UAIQM:通用且可更新的AI模型让你火力全开!】 https://www.bilibili.com/video/B ... ecae4c13150251a2934]视频介绍[/url]。

(, 下载次数 Times of downloads: 8)



作者
Author:
huangshulin    时间: 2024-7-25 10:02
直接学习分子动力学轨迹!
我们在2022年3月引入了一个全新的概念:直接学习动力学轨迹!原理很简单,那就是直接预测原子坐标关于时间的函数。这样我们就能同时(并行)预测不同时间点的原子坐标,而不是像分子动力学那样一步一步预测。而且我们能以任意的精度给出轨迹。我们已经完成了这个困难的任务:我们发展了一种深度学习模型GICnet,该工作于2023年发表在JPCL。GICnet是一个在四维时空中解析描述分子运动和化学反应的模型!
(, 下载次数 Times of downloads: 5)

可查看视频介绍【直接学习分子动力学轨迹!】,我们也提供了在线教程


作者
Author:
吹梦到西洲    时间: 2024-7-25 15:23
请问对优化对原子数有无限制,若是限制不大,几千个原子的聚合物体系能否优化,推荐使用哪种方法?可有类似于交流群一样的联系方式?
作者
Author:
huangshulin    时间: 2024-7-26 17:21
吹梦到西洲 发表于 2024-7-25 15:23
请问对优化对原子数有无限制,若是限制不大,几千个原子的聚合物体系能否优化,推荐使用哪种方法?可有类似 ...

优化对原子数没有限制,反而是跟用的方法有关系。几千个原子可以用半经验方法,比如GFN2-xTB。
作者
Author:
吹梦到西洲    时间: 2024-7-26 18:35
huangshulin 发表于 2024-7-26 17:21
优化对原子数没有限制,反而是跟用的方法有关系。几千个原子可以用半经验方法,比如GFN2-xTB。

如果想使用ANI-1cc、ANI-2x之类的方法原子数的限制大概在多少呢
作者
Author:
huangshulin    时间: 2024-7-29 09:04
吹梦到西洲 发表于 2024-7-26 18:35
如果想使用ANI-1cc、ANI-2x之类的方法原子数的限制大概在多少呢

你可以试试,几万个原子应该没问题,毕竟是机器学习势
作者
Author:
huangshulin    时间: 2024-7-29 09:59
在线模拟两可反应!
模拟两可反应的常用方法是从过渡态的实数简振模采样得到的结构开始模拟下坡轨迹,也就是说采样基于的简振模与反应坐标正交。我们之前已经在准经典动力学中讲过这些了。现在,我们可以在线完成大量工作!100 个准经典轨迹,仅需1-2小时,比 B3LYP 更快、更准确

接下来我们展示怎么操作。可查看视频介绍

首先,来到我们的教程页面。进入XACS云计算,Jupyter lab,启动!我们已经把教程用到的脚本(ambimodal.ipynb)放在了jupyter_example下的uaiqm文件夹中(如果你要跑更多的轨迹,可以使用 sbatch ambimodal.sh命令)。打开它之后,你可以运行这个脚本。

脚本的一开始我们导入MLatom库,然后加载过渡态结构的初猜。MLatom会根据给定的时间预算自动选择合适的UAIQM模型进行单点能计算(为了尽可能快地得到结果,我们设置了0.1秒)。之后,我们用UAIQM1优化过渡态结构,计算频率和简振模,做简振模采样,最后从正向和反向模拟一千条轨迹*。我们提供了相应的代码分析产物的比例,并且根据关键的几何参数作图,然后你就能可视化这些漂亮的轨迹了。

*在jupyter notebook中,为了演示需要,我们只运行少量轨迹。




作者
Author:
huangshulin    时间: 2024-8-2 10:43
分子拉曼光谱模拟现在上线啦!
分子红外光谱计算已经上线MLatom@XACS平台。点击查看视频介绍


仅需非常简单的输入文件,就可以轻松使用GFN2-xTB和UAIQM计算拉曼光谱。
  1. raman
  2. GFN2-xTB
  3. #uaiqm_gfn2xtbstar@cc # if you want to use UAIQM
  4. xyzfile=ethanol_opt.xyz
复制代码


截止2024年7月24日,拉曼光谱计算只支持GFN2-xTB以及使用GFN2-xTB作为基准的UAIQM方法。

你可以在输出文件中找到振动频率和对应的拉曼强度。
(, 下载次数 Times of downloads: 4)

更多计算细节和示例文件可以参考我们的线上教程



作者
Author:
huangshulin    时间: 2024-8-22 18:20
本帖最后由 huangshulin 于 2024-11-7 13:08 编辑

选DFT的泛函?不如全都要!
还在为你的计算体系选择合适的泛函而犹豫不决吗?我们选择全都要(尽可能多地选择泛函)!确切来说,可以使用我们最近提出的集成DFT泛函为获得比单个泛函更高的准确性,集成过程中组合了来自多个DFT泛函的预测结果。


(, 下载次数 Times of downloads: 1)



集成中所使用的泛函越多,计算结果越精确。
(, 下载次数 Times of downloads: 8)




集成DFT现已加入MLatom豪华套餐,使用方法可参考在线教程。您可以在XACS云平台上使用集成方法来进行在线DFT计算,比如几何优化。





作者
Author:
kkwang    时间: 2024-8-27 22:22
本帖最后由 kkwang 于 2024-8-28 10:25 编辑

请问楼主,使用pip install --upgrade mlatom 命令安装的2.3.2版本,如何安装最新的版本?【已解决】
是我的python版本较低,更新一下就好了。

作者
Author:
huangshulin    时间: 2024-9-3 10:22
在线预测双光子吸收强度!
(, 下载次数 Times of downloads: 2)

我们开发了一种基于实验数据的可解释机器学习方法。该方法可以即时预测分子的双光子吸收强度,并且其精度可与DFT相媲美。您可以在XACS cloud上使用MLatom轻松地在线进行此类模拟。具体操作请参阅我们的教程


作者
Author:
huangshulin    时间: 2024-9-5 09:31
像拼积木一样构建属于自己的计算化学模型!
(, 下载次数 Times of downloads: 2)

MLatom支持许多先进的模型类别,并且数量还在增加。它不仅为您提供了许多模块化组件(机器学习模型和量子化学方法),还为您提供了强大而直观的工具来将组件粘合到任意复杂的工作流中!关于如何操作,在我们的在线教程中有详细介绍。




作者
Author:
huangshulin    时间: 2024-9-12 16:35
差值学习,你的机器学习小帮手

差值学习的概念启发了许多计算化学中机器学习的工作。
(, 下载次数 Times of downloads: 0)
它的想法非常简单,给低精度的量化方法加上机器学习校正,以达到高精度量化方法的准确性。它比纯机器学习慢,但是它的优点在于更好的稳健性和准确性。你可以在我们的线上教程中学习如何构建这样稳健的差值学习模型。


作者
Author:
huangshulin    时间: 2024-9-26 09:54
JCTC:物理信息驱动的主动学习加速量子化学模拟

最近我们在JCTC上发表一篇文章,关于物理信息驱动的主动学习构建数据高效分子势能面的方法。它能把原本使用量化方法需要几周时间的模拟缩减到几天。在文章中,我们展示了振动光谱模拟构象搜索,以及时间分辨的Diels–Alder反应机理的研究。该方法已经可以在MLatom上使用了,更多使用细节可以参考我们的线上教程


(, 下载次数 Times of downloads: 1)



作者
Author:
huangshulin    时间: 2024-10-9 09:19
用神经网络对量子耗散动力学进行满足物理一致性的模拟

(, 下载次数 Times of downloads: 1)


安徽大学Arif副教授团队最近发表在《Digital Discovery》上的工作,有关于加强量子耗散动力学中的物理约束:一种确保迹守恒的新方法。该工作展示了基于机器学习的量子耗散动力学中的迹守恒问题。在这项工作中,证明了现有的神经网络方法经常不满足迹守恒,导致结果不准确。为了解决这个问题,团队提出了一种新的考虑不确定性感知方法,通过设计执行完美的迹守恒,使其在准确性和物理保真度方面优于物理信息神经网络。


作者
Author:
huangshulin    时间: 2024-10-10 15:40
AIQM2来了!比B3LYP更快更准的化学反应模拟
(, 下载次数 Times of downloads: 1)
备受期待的AIQM2是我们早期成功案例AIQM1 (参见我们发表在Nat. Commun.上的论文) 的继任者。相较于第一代AIQM1,它的整体精度得到了提升,尤其在过渡态方面表现更为优异,能够提供高质量的几何结构和反应能垒。相比大家最常用的B3LYP/6-31G*,AIQM2不仅更加准确,同时计算时间可以降低几个数量级 。更不用说与它的基准方法GFN2-xTB相比较。关于AIQM2的理论介绍和基准测试,详见我们在ChemRxiv上的预印本


作者
Author:
huangshulin    时间: 2024-10-17 14:59
JOC:使用AI发现C60的Diels–Alder反应中神奇的动力学现象

最近,我们在JOC上发表了文章,我们在C60上的Diels–Alder反应中发现了神奇的动力学现象。
(, 下载次数 Times of downloads: 1)


我们用机器学习势加速了分子动力学模拟,该机器学习势则通过物理信息驱动的主动学习方法得到。现在你可以在MLatom上完成这些计算。我们提供了相应的教程和示例脚本,你可以根据自己的需要调整它们。




作者
Author:
huangshulin    时间: 2024-10-24 17:04
All-in-one:比迁移学习更好的跨量化精度学习

爆炸式激增的量化数据集满足了极度需求数据的机器学习势的胃口。但这也引出了另外一个问题:我们如何学习不同量化精度的数据?我们提出了AIO(all-in-one)模型来解决学习任意多个量化水平数据的问题。
(, 下载次数 Times of downloads: 0)



更多详细的讨论可以参见我们在ChemRxiv上的预印本。代码和模型可以在https://github.com/dralgroup/aio-ani上找到。它们会被集成进我们的UAIQM库中,这样大家就可以在XACS云平台上的MLatom中使用。




作者
Author:
huangshulin    时间: 2024-11-7 13:24
机器学习增强的快速且可解释的红外光谱模拟

理论计算红外光谱可以帮助我们确认化学结构。但是基于量子化学计算的方法要么计算量太大(如DFT),要么精度不足(如半经验方法)。因此,我们引入了一种新的方法:使用通用机器学习模型AIQM系列。它们的训练集数据是耦合簇精度的,比DFT更准。你可以使用MLatom轻松完成这些计算,我们也提供了教程和示例脚本 (, 下载次数 Times of downloads: 1)


作者
Author:
huangshulin    时间: 2024-11-14 10:16
MLST:分子机器学习势能面的数据集综述

我们在Machine Learning: Science and Technology上发表了一篇综述,探讨了分子量化数据集和数据库的现状。它涵盖了超过40个数据集的关键信息,包括理论水平、规模和多样性、计算方法和软件,以及可用性。为了实现长期且可更新的维护,我们建立了一个GitHub仓库,以便追踪数据集的状态。欢迎大家补充我们之前遗漏的以及新生成的数据集。


除了论文之外,我们还在GitHub上提供了json格式的汇总表方便大家查询,并且在Jupyter Notebook中提供了筛选数据库的例子。您可以轻松找到适合您需求的数据集并生成结果表。不知道如何使用来源不同的数据集进行训练?可以查看我们之前关于AIO(all-in-one)模型的介绍,它可以用于同时训练不同的精度的数据。








欢迎光临 计算化学公社 (http://bbs.keinsci.com/) Powered by Discuz! X3.3