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]
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
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