GPUMD
GPUMD
是什么?GPUMD
代表图形处理单元分子动力学。GPUMD
是一个高效的通用分子动力学(MD)软件包,完全在图形处理单元(GPU)上实现。GPUMD
可以训练和使用一类称为神经进化势能(NEP)的机器学习势能。请查看这个nep-data Gitlab仓库,了解一些已发布的NEP势能以及相关的训练/测试数据。src
目录并输入make
。src
目录中将生成两个可执行文件:gpumd
和nep
。path/to/gpumd
path/to/nep
您可以使用以下链接订阅和退订邮件列表 : https://www.freelists.org/list/gpumd
要发布问题,您可以发送电子邮件至gpumd(at)freelists.org
包名 | 链接 | 说明 |
---|---|---|
calorine | https://gitlab.com/materials-modeling/calorine | calorine 是一个用于通过GPUMD运行和分析分子动力学(MD)模拟的Python包。它还提供通过GPUMD构建和采样神经进化势能(NEP)模型的功能。 |
GPUMD-Wizard | https://github.com/Jonsnow-willow/GPUMD-Wizard | GPUMD-Wizard 是一个基于ASE(原子模拟环境)的材料结构处理软件,提供计算各种金属性质的自动化功能。此外,它旨在使用GPUMD运行和分析分子动力学(MD)模拟。 |
gpyumd | https://github.com/AlexGabourie/gpyumd | gpyumd 是GPUMD的Python3接口。它帮助用户根据GPUMD文档提供的详细信息生成输入文件和处理输出文件。目前支持到GPUMD-v3.3.1版本,仅支持gpumd可执行文件。 |
mdapy | https://github.com/mushroomfire/mdapy | mdapy Python库提供了一系列强大、灵活且简单的工具,用于分析分子动力学(MD)模拟生成的原子轨迹。 |
pynep | https://github.com/bigd4/PyNEP | PyNEP 是GPUMD中使用的机器学习势能NEP的Python接 口。 |
somd | https://github.com/initqp/somd | SOMD 是为SIESTA DFT代码设计的从头算分子动力学(AIMD)包。SOMD代码提供了一些常用功能来执行标准的玻恩-奥本海默分子动力学(BOMD)模拟,并包含了神经进化势能(NEP)包的简单封装。SOMD代码可用于通过主动学习方法自动构建NEP。 |
参考文献 | 引用用途 |
---|---|
[1] | 用于任何使用GPUMD 的工作 |
[2-3] | 维里和热流公式 |
[4] | 进出分解和相关谱分解 |
[5,3] | HNEMD和相关谱分解 |
[6] | 力常数势(FCP) |
[7] | 神经演化势(NEP)特别是NEP1 |
[8] | NEP2 |
[9] | NEP3 |
[10] | NEP + ZBL |
[11] | NEP + D3色散修正 |
[12] | 用于冲击波模拟的MSST积分器 |
[13] | 线性标度量子输运 |
[14] | NEP4 |
[15] | TNEP(偶极子和极化率的张量NEP模型) |
[16] | MCMD(混合蒙特卡罗和分子动力学模拟) |
[1] Zheyong Fan, Wei Chen, Ville Vierimaa, 和 Ari Harju. 使用图形处理单元进行高效的多体势分子动力学模拟,计算机物理通讯 218,10(2017)。
[2] Zheyong Fan, Luiz Felipe C. Pereira, Hui-Qiong Wang, Jin-Cheng Zheng, Davide Donadio, 和 Ari Harju. 分子动力学模拟中多体势的力和热流公式及其在热导率计算中的应用,物理评论B 92,094301,(2015)。
[3] Alexander J. Gabourie, Zheyong Fan, Tapio Ala-Nissila, Eric Pop, 热导率的谱分解:比较均匀分子动力学模拟中的速度分解方法,物理评论B 103,205421(2021)。
[4] Zheyong Fan, Luiz Felipe C. Pereira, Petri Hirvonen, Mikko M. Ervasti, Ken R. Elder, Davide Donadio, Tapio Ala-Nissila, 和 Ari Harju. 二维材料中的热导率分解:石墨烯的应用,物理评论B 95,144309,(2017)。
[5] Zheyong Fan, Haikuan Dong, Ari Harju, 和 Tapio Ala-Nissila, 用于多体势热传输和谱分解的均匀非平衡分子动力学方法,物理评论B 99,064308(2019)。 [6] Joakim Brorsson, Arsalan Hashemi, Zheyong Fan, Erik Fransson, Fredrik Eriksson, Tapio Ala-Nissila, Arkady V. Krasheninnikov, Hannu-Pekka Komsa, Paul Erhart, [具有从头计算精度的原子模拟高效计算晶格热导率](https://github.com/brucefan1983/GPUMD/blob/master/ https://doi.org/10.1002/adts.202100217, 《先进理论与模拟》 4, 2100217 (2021)。
[7] Zheyong Fan, Zezhu Zeng, Cunzhi Zhang, Yanzhou Wang, Keke Song, Haikuan Dong, Yue Chen, 和 Tapio Ala-Nissila, 神经进化机器学习势:在原子模拟中结合高精度和低成本,及其在热传输中的应用, 《物理评论B》 104, 104309 (2021)。
[8] Zheyong Fan, 提高多组分系统神经进化机器学习势的精度, 《物理学:凝聚态物质杂志》 34, 125902 (2022)。
[9] Zheyong Fan, Yanzhou Wang, Penghua Ying, Keke Song, Junjie Wang, Yong Wang, Zezhu Zeng, Ke Xu, Eric Lindgren, J. Magnus Rahm, Alexander J. Gabourie, Jiahui Liu, Haikuan Dong, Jianyang Wu, Yue Chen, Zheng Zhong, Jian Sun, Paul Erhart, Yanjing Su, Tapio Ala-Nissila, GPUMD:构建精确机器学习势和执行高效原子模拟的软件包, 《化学物理杂志》 157, 114801 (2022)。
[10] Jiahui Liu, Jesper Byggmästar, Zheyong Fan, Ping Qian, 和 Yanjing Su, 钨中初级辐射损伤的大规模机器学习分子动力学模拟, 《物理评论B》 108, 054312 (2023)。
[11] Penghua Ying 和 Zheyong Fan, 将D3色散校正与神经进化机器学习势结合, 《物理学:凝聚态物质杂志》 36, 125901 (2024)。
[12] Jiuyang Shi, Zhixing Liang, Junjie Wang, Shuning Pan, Chi Ding, Yong Wang, Hui-Tian Wang, Dingyu Xing, 和 Jian Sun, 从金刚石到BC8碳的双重冲击压缩路径, 《物理评论快报》 131, 146101 (2023)。
[13] Zheyong Fan, Yang Xiao, Yanzhou Wang, Penghua Ying, Shunda Chen, 和 Haikuan Dong, 结合线性标度量子输运和机器学习分子动力学研究复杂材料中的热和电子输运, 《物理学:凝 聚态物质杂志》 36, 245901 (2024)。
[14] Keke Song, Rui Zhao, Jiahui Liu, Yanzhou Wang, Eric Lindgren, Yong Wang, Shunda Chen, Ke Xu, Ting Liang, Penghua Ying, Nan Xu, Zhiqiang Zhao, Jiuyang Shi, Junjie Wang, Shuang Lyu, Zezhu Zeng, Shirong Liang, Haikuan Dong, Ligang Sun, Yue Chen, Zhuhua Zhang, Wanlin Guo, Ping Qian, Jian Sun, Paul Erhart, Tapio Ala-Nissila, Yanjing Su, Zheyong Fan, 16种元素金属及其合金的通用机器学习势 arXiv:2311.04732 [cond-mat.mtrl-sci]
[15] Nan Xu, Petter Rosander, Christian Schäfer, Eric Lindgren, Nicklas Österbacka, Mandi Fang, Wei Chen, Yi He, Zheyong Fan, Paul Erhart, 通过神经进化势框架实现张量性质:快速模拟红外和拉曼光谱 《化学理论与计算杂志》 (2024)。
[16] Keke Song, Jiahui Liu, Shunda Chen, Zheyong Fan, Yanjing Su, Ping Qian, 使用统一神经进化势的混合蒙特卡罗和分子动力学模拟多晶铝中的溶质偏析 arXiv:2404.13694 [cond-mat.mtrl-sci]
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多 模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备 丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人 工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号