描述
MACE（机器学习原子间势）是一个强大的 Python 库，专为开发和部署快速准确的机器学习原子间势而设计。它利用高阶等变消息传递这一复杂的神经网络架构，以高保真度模拟材料和分子中原子间的相互作用。这种方法使 MACE 能够捕捉复杂的原子行为，从而在材料科学、化学和凝聚态物理等领域实现更可靠的模拟。
阅读更多
MACE 存储库由一个研究团队开发，提供了一个全面的参考实现。它包括用于从头开始训练自定义 MACE 模型、评估其性能以及利用预训练基础模型的工具。该库支持多种安装方法，包括易于使用的 PyPI 和开发者可用的源码安装。对于需要加速计算的用户，MACE 通过 cuEquivariance 库提供 CUDA 加速，并通过 MPS 支持 Apple Silicon GPU 加速。
MACE 的关键功能包括通过在线数据加载和预处理脚本处理大型数据集的能力。它还与 Weights and Biases 等实验跟踪工具集成，以实现强大的研究工作流程。该库提供一系列预训练的基础模型，例如用于材料科学的 MACE-MP 和用于有机化学的 MACE-OFF，这些模型可以直接使用或针对特定应用进行微调。文档可指导用户完成安装、使用和高级功能。
MACE 对于计算材料科学、量子化学和分子动力学领域的研究人员和工程师尤其有价值。其对准确性和速度的关注使其适用于从预测材料性质到模拟化学反应的各种任务。基础模型和微调功能的可用性使先进的原子间势的访问民主化，从而能够更快地发现和设计新材料和分子。
- 类别科学发现与实验室工具
- 定价模式开源
- 部署云端, 自托管
- 平台Windows, macOS, Linux
MACE 机器学习势能的核心功能
快速准确的机器学习原子间势
高阶等变消息传递架构
用于训练自定义 MACE 模型的工具
模型评估能力
支持通过 cuEquivariance 进行 CUDA 加速
Apple Silicon GPU 加速 (MPS)
用于材料和有机化学的预训练基础模型
对基础模型进行微调的支持
用于大型数据集的在线数据加载
与 Weights and Biases 集成以进行实验跟踪
支持 PyTorch >= 1.12
MACE 代码的 MIT 许可证
MACE 机器学习势能入门
安装 MACE：使用 pip install mace-torch 或从源码安装。
设置环境：确保已安装 Python >= 3.9 和 PyTorch >= 1.12。
训练模型：使用指定的参数利用 mace_run_train 脚本。
评估模型：使用 mace_eval_configs 脚本进行性能评估。
利用基础模型：加载并微调预训练模型以用于特定任务。
启用 GPU 加速：指定 '--device=cuda' 或 '--device=mps' 以获得更快的计算速度。
与 ASE 集成：在 Atomic Simulation Environment 中使用 MACE 计算器。
MACE 机器学习势能的使用案例
- 材料发现
- 分子动力学
- 化学反应模拟
- 预测材料性质
- 有机化学模拟
- 力场开发
- 计算化学
- 主动学习
