访问官网
Github
论文已弃用且不再支持，请使用 TorchANI 实现
ASE-ANI
注意：为 Python 3.6 和 CUDA 9.2 构建的 Python 二进制文件
仅适用于带有 NVIDIA GPU 的 Ubuntu 系列 Linux 系统
这是原子模拟环境(ASE)的 ANI-1x 和 ANI-1ccx 神经网络势能的原型接口。目前的 ANI-1x 和 ANI-1ccx 势能可以预测 CHNO 元素。原始的 ANI-1 和 ANI-1x 势能可在 "deprecated_original" 分支中获得。为获得最佳性能，应在任何应用中使用此分支中的 ANI-1x 和 ANI-1ccx 集成模型。
要求：
- Python 3.6 (我们推荐使用 Anaconda 发行版)
- 现代 NVIDIA GPU，计算能力 5.0 或更高
- CUDA 9.2
- ASE
- MOPAC2012 或 MOPAC2016 用于比较部分示例结果(可选)
安装
将此仓库克隆到所需文件夹中，并将 bashrc_example.sh 中的环境变量添加到您的 .bashrc 中。
要测试代码，请运行 Python 脚本：examples/ani_quicktest.py
在正常安装的情况下，快速测试计算得到的能量为(eV)： 初始能量：-2078.502822821320 最终能量：-2078.504266011399
使用案例请参考 examples 文件夹中的几个 iPython 笔记本
有趣的内容
新 ANI-2x (CHNOSFCl) 势能演示预告！
ANI-1x 在高温下对 C2 盒子进行 5ns MD 模拟
ANI-1 数据集
https://github.com/isayev/ANI1_dataset
COMP6 基准
https://github.com/isayev/COMP6
TorchANI
我们现在有了 PyTorch 实现。请参见：文档 和 GitHub
引用
如果您使用此代码，请引用：
ANAKIN-ME ML 势能方法：
Justin S. Smith, Olexandr Isayev, Adrian E. Roitberg. ANI-1: An extensible neural network potential with DFT accuracy at force field computational cost. Chemical Science,(2017), DOI: 10.1039/C6SC05720A
原始 ANI-1 数据：
Justin S. Smith, Olexandr Isayev, Adrian E. Roitberg. ANI-1, A data set of 20 million calculated off-equilibrium conformations for organic molecules. Scientific Data, 4 (2017), Article number: 170193, DOI: 10.1038/sdata.2017.193 https://www.nature.com/articles/sdata2017193
基于主动学习的 (ANI-1x)：
Justin S. Smith, Ben Nebgen, Nicholas Lubbers, Olexandr Isayev, Adrian E. Roitberg. Less is more: sampling chemical space with active learning. The Journal of Chemical Physics 148, 241733 (2018), (https://aip.scitation.org/doi/abs/10.1063/1.5023802)
基于主动学习和迁移学习的 (ANI-1ccx)：
Justin S. Smith, Benjamin T. Nebgen, Roman Zubatyuk, Nicholas Lubbers, Christian Devereux, Kipton Barros, Sergei Tretiak, Olexandr Isayev, Adrian Roitberg. Outsmarting Quantum Chemistry Through Transfer Learning. ChemRxiv, 2018, DOI: [https://doi.org/10.26434/chemrxiv.6744440.v1]
