GNoME 材料发现

CGCNN

AI GitHub 仓库

晶体图卷积神经网络 (CGCNN) 是一种人工智能模型，旨在根据晶体结构预测材料属性。它使用户能够训练自定义模型或利用预训练版本进行属性预测，为材料科学的研究和开发提供了强大的工具。

MEGNet 框架

AI GitHub 仓库

专为晶体和分子机器学习设计的 AI 模型。它整合了温度和压力等状态变量，支持迁移学习，并能提取化学趋势。该框架通过提供开源代码和数据，解决了材料科学 ML 中数据量和可解释性等方面的局限性。MEGNet 框架是一个专为晶体和分子机器学习设计的 AI 模型。它整合了温度和压力等状态变量，支持迁移学习，并能提取化学趋势。该框架通过提供开源代码和数据，解决了材料科学 ML 中数据量和可解释性等方面的局限性。

MACE 机器学习势能

AI GitHub 仓库

用于快速准确的机器学习原子间势的 Python 库。它利用高阶等变消息传递进行先进的材料科学模拟。该工具支持训练、评估，并提供适用于材料和有机化学等各种应用的预训练基础模型。MACE 是一个用于快速准确的机器学习原子间势的 Python 库。它利用高阶等变消息传递进行先进的材料科学模拟。该工具支持训练、评估，并提供适用于材料和有机化学等各种应用的预训练基础模型。

Graphormer - Microsoft Research

AI 模型

用于分子建模任务的深度学习包，可加速材料和药物发现的研究。它支持分子动力学和性质预测，并计划未来增强反应预测和大规模分子建模功能。在图级别预测任务上，其性能优于传统的图神经网络。Graphormer 是一个用于分子建模任务的深度学习包，可加速材料和药物发现的研究。它支持分子动力学和性质预测，并计划未来增强反应预测和大规模分子建模功能。在图级别预测任务上，其性能优于传统的图神经网络。

DeepChem AI框架

AI GitHub 仓库

开源AI框架，旨在使药物发现、量子化学、材料科学和生物学的深度学习民主化。它提供工具和库，以促进这些领域的研究和开发。DeepChem是一个开源AI框架，旨在使药物发现、量子化学、材料科学和生物学的深度学习民主化。它提供工具和库，以促进这些领域的研究和开发。

SchNetPack 文档

AI 模型

用于原子系统的深度学习 Python 库。它提供了一个灵活的框架，用于构建和训练神经网络势，使研究人员能够使用先进的 AI 模型进行模拟和分析分子性质。文档托管在 Read the Docs 上。SchNetPack 是一个用于原子系统的深度学习 Python 库。它提供了一个灵活的框架，用于构建和训练神经网络势，使研究人员能够使用先进的 AI 模型进行模拟和分析分子性质。文档托管在 Read the Docs 上。

MaterialsZone

AI 应用

由人工智能驱动的平台，旨在加速材料科学的研发。它优化工作流程，减少迭代周期，增强协作，从而实现更快的创新和更好的商业成果。MaterialsZone 是一个由人工智能驱动的平台，旨在加速材料科学的研发。它优化工作流程，减少迭代周期，增强协作，从而实现更快的创新和更好的商业成果。

Uni-Mol

AI GitHub 仓库

通用的三维分子表示学习框架，适用于属性预测和结合位点预测等各种下游任务。它包括 Uni-Mol+、Uni-Mol Tools、Uni-Mol Docking V2 和 Uni-Mol2，提供可扩展的预训练模型和易于使用的分子任务包装器。Uni-Mol 是一个通用的三维分子表示学习框架，适用于属性预测和结合位点预测等各种下游任务。它包括 Uni-Mol+、Uni-Mol Tools、Uni-Mol Docking V2 和 Uni-Mol2，提供可扩展的预训练模型和易于使用的分子任务包装器。