설명
MACE(Machine Learning Interatomic Potentials)는 빠르고 정확한 머신러닝 원자간 포텐셜의 개발 및 배포를 위해 설계된 강력한 Python 라이브러리입니다. 고차원 등변 메시지 전달이라는 정교한 신경망 아키텍처를 활용하여 재료 및 분자 내 원자 간의 상호작용을 높은 충실도로 모델링합니다. 이 접근 방식을 통해 MACE는 복잡한 원자 행동을 포착할 수 있으며, 이는 재료 과학, 화학, 응집 물질 물리학과 같은 분야에서 더 신뢰할 수 있는 시뮬레이션으로 이어집니다.
더 읽기
MACE 리포지토리는 연구팀이 개발한 포괄적인 참조 구현을 제공합니다. 여기에는 사용자 정의 MACE 모델을 처음부터 학습하고, 성능을 평가하며, 사전 학습된 기반 모델을 활용하기 위한 도구가 포함됩니다. 이 라이브러리는 사용 편의성을 위한 PyPI 및 개발자를 위한 소스 설치를 포함한 다양한 설치 방법을 지원합니다. 가속화된 계산이 필요한 사용자를 위해 MACE는 cuEquivariance 라이브러리를 통해 CUDA 가속을 제공하며 MPS를 통해 Apple Silicon GPU 가속을 지원합니다.
MACE의 주요 기능에는 온라인 데이터 로딩 및 사전 처리 스크립트를 통한 대규모 데이터셋 처리 능력이 포함됩니다. 또한 강력한 연구 워크플로우를 위해 Weights and Biases와 같은 실험 추적 도구와 통합됩니다. 이 라이브러리는 재료 과학(MACE-MP) 및 유기 화학(MACE-OFF)과 같은 다양한 응용 분야에 직접 사용하거나 특정 응용 분야에 맞게 미세 조정할 수 있는 MACE-MP 및 MACE-OFF와 같은 다양한 사전 학습된 기반 모델을 제공합니다. 설치, 사용 및 고급 기능을 안내하는 설명서가 제공됩니다.
MACE는 계산 재료 과학, 양자 화학 및 분자 역학 분야의 연구원 및 엔지니어에게 특히 유용합니다. 정확성과 속도에 중점을 두어 재료 특성 예측부터 화학 반응 시뮬레이션에 이르기까지 다양한 작업에 적합합니다. 기반 모델과 미세 조정 기능의 가용성은 고급 원자간 포텐셜에 대한 접근성을 민주화하여 새로운 재료 및 분자의 더 빠른 발견 및 설계를 가능하게 합니다.
- 카테고리과학적 발견 및 실험실 도구
- 요금제오픈소스
- 배포클라우드, 셀프 호스팅
- 플랫폼Windows, macOS, Linux
MACE 머신러닝 잠재력의 핵심 기능
빠르고 정확한 머신러닝 원자간 포텐셜
고차원 등변 메시지 전달 아키텍처
사용자 정의 MACE 모델 학습을 위한 도구
모델 평가 기능
cuEquivariance를 통한 CUDA 가속 지원
Apple Silicon GPU 가속 (MPS)
재료 및 유기 화학을 위한 사전 학습된 기반 모델
기반 모델 미세 조정 지원
대규모 데이터셋을 위한 온라인 데이터 로딩
실험 추적을 위한 Weights and Biases 통합
PyTorch >= 1.12 지원
MACE 코드에 대한 MIT 라이선스
MACE 머신러닝 잠재력 시작하기
MACE 설치: pip install mace-torch를 사용하거나 소스에서 설치합니다.
환경 설정: Python >= 3.9 및 PyTorch >= 1.12가 설치되었는지 확인합니다.
모델 학습: 지정된 매개변수로 mace_run_train 스크립트를 활용합니다.
모델 평가: 성능 평가를 위해 mace_eval_configs 스크립트를 사용합니다.
기반 모델 활용: 특정 작업을 위해 사전 학습된 모델을 로드하고 미세 조정합니다.
GPU 가속 활성화: 더 빠른 계산을 위해 '--device=cuda' 또는 '--device=mps'를 지정합니다.
ASE와 통합: Atomic Simulation Environment 내에서 MACE 계산기를 사용합니다.
MACE 머신러닝 잠재력의 사용 사례
- 재료 발견
- 분자 역학
- 화학 반응 시뮬레이션
- 재료 특성 예측
- 유기 화학 시뮬레이션
- 힘장 개발
- 계산 화학
- 능동 학습
