MLatom 3软件包：机器学习和计算化学模拟

huangshulin

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。

huangshulin

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。

更多计算细节和示例文件可以参考我们的线上教程。

huangshulin

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。

集成中所使用的泛函越多，计算结果越精确。

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。

kkwang

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。

huangshulin

在线预测双光子吸收强度！


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。

huangshulin

像拼积木一样构建属于自己的计算化学模型！


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。

huangshulin

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。

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。

huangshulin

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。

huangshulin

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




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。

huangshulin

AIQM2来了！比B3LYP更快更准的化学反应模拟

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。

huangshulin

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。

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。

huangshulin

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。

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。

huangshulin

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。

huangshulin

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。