DeePMD-kit是一种基于机器学习的分子动力学模拟方法,该方法是通过使用从头计算得到的数据对深度神经网络模型进行训练,从而得到通用的多体势能模型(DP模型)。由于其是基于第一性原理,而具有媲美量子力学的精度。其计算效率高,比第一性原理计算至少快5个数量级。目前DP模型已成功应用于水和含水体系,金属和合金,高熵陶...
DeePMD常与DPGen一起使用,保证最终所得势函数的合理性。接下是DeePMD-kit上机操作流程(第一性原理计算软件:VASP;经典分子动力学软件:Lammps为例): DeePMD-kit训练流程 第一步:利用VASP跑分子动力学,得到结果文件OUTCAR,作为准备好的数据集,其中包含不同点对应的原子坐标、原子间受力、能量等信息。 第二步:在DeeP...
DP 实战案例基于目前 DP 常见应用领域和学术成果,以理论+案例复现形式,向大家具体讲解 DP 的使用方式,让大家一步步变成 DP 深度用户;DP 最新进展:DPA-2,则主要向大家介绍 DeePMD-kit 最新的成果 DPA-2 原理及使用,让大家能够尽快将 DP 系列软件最新成果应用于自己的科研,鸟枪换炮走在时代的前沿。
DeePMD-kit是一款用深度学习做分子动力学模拟的开源软件包,通过神经网络拟合第一性原理的计算结果来完成精确的量子化学计算,并可以配合分子动力学软件来完成最终的分子动力学模拟。 DeePMD-kit使用的神经网络比较小,计算速度非常快,并且可以保持第一性原理的计算精度,此外模型的设计使其能更好地进行分布式计算,因此可以完...
Deepmd-kit 是一款利用深度学习训练第一性原理数据得到势能模型的软件。其精致严谨的模型构造和高效自动的深度学习框架,使得产生的势能模型可以兼顾量子力学的精度和传统经验力场的效率。 - 飞桨AI Studio
DeePMD-kit 是一个深度学习包,基于神经网络拟合第一原理数据,用于多体势能表示和分子动力学。无需人工干预,即可在数小时内以端到端的方式将用户提供的数据转换为深度势能模型,并可与常用分子动力学模拟软件(LAMMPS、OpenMM、GROMACS等)无缝集成。DeePMD-kit可以在保持量子力学精度和准确度的基础上,将分子动力学的计算...
熟悉 ener 模式的小伙伴们都知道,DeePMD-kit 由一个 embedding network 和一个 fitting network 组成。在 ener 模式中,embedding network 负责将原始数据(coordinate)编码成一系列特征并输入到 fitting network,后者从这些特征中学习出 energy function 的表示。在 tensor 模式中,embedding network 是保持不变的,有...
而深势科技成功将DeePMD-kit进行了并行化,首次实现了具有AIMD精度的第一性原理分子动力学模拟的商业与原子规模的应用,为分子动力学提供了革命性的高性能解决方案,正是由于其极具创新性,深势科技的这一项目在2020年获得了全球计算机高性能计算领域的最高奖项戈登贝尔奖。深势科技选择IPU进行分子动力学任务迁移和模拟...
DeePMD-kit的整体框架[2] 2.2 原理 对于一个包含N个原子的系统,系统总势能为每个原子的势能之和。 为了简化计算,可以近似认为每个原子的势能由该原子及其截止范围内的邻居原子的坐标决定。 因此考虑使用DNN网络训练一个从原子坐标到其原子势能的函数模型。但这种方法不能体现potential energy surface(PES)中的平移、旋...