|
|
本帖最后由 Huschein 于 2026-1-7 10:23 编辑
MAPLE: 机器学习力场计算化学平台
机器学习力场（MLFF）已经热门好几年了，大家也逐渐看到了它的优势：快速、高效，能够适应不同的体系。虽然目前它仍受限于训练集数据，但随着 Open Molecules 2025 数据库的发布，MLFF 正在朝着更加工业化的方向迈进——从以前的特定体系、有机小分子，扩展到如今的激发态、化学反应、金属有机体系，MLFF 正日趋成熟。我认为这种发展和二十年前力场拟合的历程有相似之处：它虽然不是全知全能的，但已经可以胜任大部分任务了。
然而，目前存在一个问题：现有平台如 ASE、MLatom 等并非专门为 MLFF 设计，而一些商业化平台（如 Rowan）却不开源。这在很大程度上限制了 MLFF 的进一步应用。同时，大部分平台的设计者满足于编写接口调用外部程序（如 Gaussian/ORCA），这种做法省事且无需额外验证，但 MLFF 的 GPU 推理、并行计算、自动微分等特性，是这些平台在设计之初就没有考虑在内的。
因此，MAPLE 设计的初衷就是：尽可能减少对第三方库/软件的依赖，原生手动实现所有方法，并针对不同的 MLFF 做针对性优化。在共享算法层面，MAPLE 将 MLFF 与并行算法（B-LBFGS）、自动微分（Modified Dimer）深度融合，进一步释放 MLFF 的潜力。同时，MLFF 兼顾了性能与精度，使得很多常规 MM 或 QM 难以实现的任务成为可能。例如，MAPLE 提供了近 100 种平衡态显式溶剂模型，使得化学反应计算可以直接采用显式溶剂建模，避免传统 QM 中隐式溶剂模型不准确的问题；配合限制性优化和构象搜索功能，溶剂中化学反应的计算将更加贴近真实世界。
MAPLE 目前发布了第一个版本。第一阶段的目标是实现 Gaussian/ORCA（G/O）中的大部分功能，并针对 MLFF 进行算法优化。但 MAPLE 存在的意义并非再造一个 Gaussian 或 ORCA——只有先实现基础功能，更多进阶功能才能得以构建。值得一提的是，MAPLE 采用了与 Gaussian/ORCA 相似的输入格式和输出风格，使得大多数 G/O 用户可以几乎零成本地学习和使用 MAPLE；这样设计的另一个目的是兼容更多现有的后处理分析平台。此外，MAPLE 也正在构建一套官方工具包 MAPLEtoolkits，以便快速进行后处理分析，为大家提供便利。我们还与深圳湾实验室Zhang Jun老师课题组合作，成功将 MAPLE 接入了 Qbics-MolStar 平台，用户可以直接在该平台使用 MAPLE 的结构优化和过渡态搜索功能。
MAPLE 提供的功能和 TODO list 远不止于此，难以一一介绍，但我们希望大家可以在实际任务中试一试 MAPLE。例如，在高通量结构预优化场景下，MAPLE 可以直接对一个文件夹中的所有分子批量执行优化；又如大分子优化，在我们的测试中，最大体系接近 10000 个原子，可以在一天内完成 超过 200 个 iteration 的NEB（12 个 image） 计算。
MAPLE 不会止步于一篇文章、一个体系的测试——我们的目标是将 MAPLE 打造为下一代 MLFF 计算化学平台。
MAPLE文章: https://chemrxiv.org/engage/chem ... 9bbafb3b11118e9807e
MAPLE仓库: https://github.com/ClickFF/MAPLE
MAPLE文档(尚未完成): https://maple-org.netlify.app/
Qbics-MolStar: https://molstar.szbl.ac.cn/viewer/
MAPLE交流企鹅群：757103155
快速上手指南
更多使用细节请等待我们的文档完善，或者可以参考 /example 目录下的测试案例。
安装步骤：
环境要求：
Python ≥ 3.9 强烈建议配备 CUDA 兼容的 GPU（生产环境几乎必需）
git clone https://github.com/ClickFF/MAPLE.git
cd MAPLE
pip install -e .
# 安装核心依赖
conda install -c conda-forge numpy ase
# 安装 PyTorch（根据你的 CUDA 版本选择）
# CUDA 11.8：
pip install torch --index-url https://download.pytorch.org/whl/cu118
# 仅 CPU：
pip install torch --index-url https://download.pytorch.org/whl/cpu
# 安装机器学习力场支持
pip install fairchem-core # 支持 UMA模型
输入文件编写
MAPLE 采用类似 Gaussian/ORCA 的输入格式，学习成本极低。输入文件（`.inp`）的基本结构如下：
```
#model=ANI-1xnr
#opt
#device=gpu0
C 0.000 0.000 0.000
H 1.089 0.000 0.000
H -0.363 1.028 0.000
H -0.363 -0.514 0.890
H -0.363 -0.514 -0.890
关键字说明：
#model=：指定 MLFF 模型（如 ANI-1xnr、AIMNet2 等）
#opt：执行几何优化；#ts(method=neb)：过渡态搜索
#device=：指定计算设备（gpu0、cpu 等）
坐标部分：XYZ 坐标（与 Gaussian 格式一致）
运行 MAPLE
bash# 基本运行
maple input.inp
# 指定输出文件
maple input.inp output.out
就是这么简单！
|
评分 Rate
-
查看全部评分 View all ratings
|
发表于 Post on 2026-1-6 03:55:10
收藏 Add to favorites
楼主 Author