<img src="https://yellow-cdn.veclightyear.com/ab5030c0/0c3ecd05-b9af-42ed-a7e2-80388b514efa.png?raw=true" alt="maml" width="50%">

maml（材料机器学习）是一个Python包，旨在提供有用的高级接口，使材料科学的机器学习变得尽可能简单。

maml的目标不是重复其他包中已有的功能。maml依赖于如scikit-learn和tensorflow等成熟的包来实现机器学习算法，以及其他材料科学包如pymatgen和matminer来进行晶体/分子操作和特征生成。

官方文档：https://materialsvirtuallab.github.io/maml/

特点

1. 将材料（晶体和分子）转换为特征。除了常见的成分、位点和结构特征外，我们还提供以下细粒度局部环境特征。

a) 双谱系数 b) Behler-Parrinello对称函数 c) 原子位置平滑重叠（SOAP） d) 图网络特征（成分、位点和结构）

2. 使用机器学习来学习特征和目标之间的关系。目前，maml支持sklearn和keras模型。

3. 应用：

a) pes用于建模势能面，构建用于性质预测的代理模型。

i) 神经网络势（NNP） ii) 使用SOAP特征的高斯近似势（GAP） iii) 光谱邻域分析势（SNAP） iv) 矩张量势（MTP）

b) rfxas用于使用随机森林模型从X射线吸收光谱预测原子局部环境。

c) bowsr用于利用贝叶斯优化和代理能量模型进行快速结构弛豫。

安装

通过PyPI进行pip安装：

pip install maml

要运行势能面（pes），需要安装lammps，你可以从源代码安装或从conda安装：

conda install -c conda-forge/label/cf202003 lammps

SNAP势包含在这个lammps安装中。运行相应的势需要GAP包（用于GAP）和MLIP包（用于MTP）。对于拟合NNP势，需要n2p2包。

从requirement.txt文件安装所有库：

pip install -r requirements.txt

对于上述所有要求：

pip install -r requirements-ci.txt
pip install -r requirements-optional.txt
pip install -r requirements-dl.txt
pip install -r requirements.txt

使用

有许多关于使用的Jupyter笔记本。请参见notebooks。我们还在nanoHUB上提供了工具和教程讲座。

API文档

请参见API文档。

引用

@misc{
    maml,
    author = {Chen, Chi and Zuo, Yunxing, Ye, Weike, Ji, Qi and Ong, Shyue Ping},
    title = {{Maml - materials machine learning package}},
    year = {2020},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\url{https://github.com/materialsvirtuallab/maml}},
}

对于ML-IAP包（maml.pes），请引用：

Zuo, Y.; Chen, C.; Li, X.; Deng, Z.; Chen, Y.; Behler, J.; Csányi, G.; Shapeev, A. V.; Thompson, A. P.;
Wood, M. A.; Ong, S. P. Performance and Cost Assessment of Machine Learning Interatomic Potentials.
J. Phys. Chem. A 2020, 124 (4), 731–745. https://doi.org/10.1021/acs.jpca.9b08723.

对于BOWSR包（maml.bowsr），请引用：

Zuo, Y.; Qin, M.; Chen, C.; Ye, W.; Li, X.; Luo, J.; Ong, S. P. Accelerating Materials Discovery with Bayesian
Optimization and Graph Deep Learning. Materials Today 2021, 51, 126–135.
https://doi.org/10.1016/j.mattod.2021.08.012.

对于AtomSets模型（maml.models.AtomSets），请引用：

Chen, C.; Ong, S. P. AtomSets as a hierarchical transfer learning framework for small and large materials
datasets. Npj Comput. Mater. 2021, 7, 173. https://doi.org/10.1038/s41524-021-00639-w