【科学代码】REANN: 递归嵌入原子神经网络

开发者：张耀龙，蒋彬

开发单位：中国科学技术大学化学物理系

邮箱：[e-mail]

代码仓库：https://code.koushare.com/#/code/codeDetail?codeId=225

https://github.com/zhangylch/REANN

简介

递归嵌入原子神经网络（REANN）是用Python和C++语言实现的针对分子或者周期性体系的势能、偶极矩以及极化率的通用深度学习开源软件。REANN利用原子轨道的线性组合构建电荷密度作为原子环境基础描述符，递归地引入环境依赖的可学习的轨道系数包含高阶相互作用，高效准确且对称性匹配的表达各种物理化学性质。整个软件是基于Facebook公司开发的Torch 框架，利用Torch 框架的自动微分技术和分布式并行处理，REANN可以利用多个节点CPU/GPU进行高效的分布式计算。REANN可与分子动力学模拟软件LAMMPS结合，利用训练好的神经网络势函数进行大规模高效的动力学模拟。

设计特点

1.模块化，易于开发维护；2.环境依赖少，安装简单；3.支持多线程/多进程并行，GPU加速，计算效率高，内存占用小；4.高效方便的LAMMPS接口，支持大规模的动力学模拟。

功能

1.分子和周期性体系的势能函数，支持多体系数据混合学习；2.对称性匹配的张量化神经网络表示永久偶极矩和静态极化率；3.跃迁偶极矩多基矢的张量化神经网络表示。

发表论文

1.Zhang, Y.; Hu, C.; Jiang, B., Embedded atom neural network potentials: Efficient and accurate machine learning with a physically inspired representation. J. Phys. Chem. Lett. 2019, 10 (17), 4962-4967.2.Zhang, Y.; Ye, S.; Zhang, J.; Hu, C.; Jiang, J.; Jiang, B., Efficient and Accurate Simulations of Vibrational and Electronic Spectra with Symmetry-Preserving Neural Network Models for Tensorial Properties. J. Phys. Chem. B 2020, 124 (33), 7284-7290.3.Zhang, Y.; Xia, J.; Jiang, B., Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality. Phys. Rev. Lett. 2021, 127 (15), 156002.4.Zhang, Y.; Xia, J.; Jiang, B. REANN: A PyTorch-based End-to-End Multi-functional Deep Neural Network Package for Molecular, Reactive and Periodic Systems 2021, p. arXiv:2112.01774. https://ui.adsabs.harvard.edu/abs/2021arXiv211201774Z (accessed December 01, 2021).

扩展阅读

 

编辑：黄琦

蔻享学术平台，国内领先的一站式科学资源共享平台，依托国内外一流科研院所、高等院校和企业的科研力量，聚焦前沿科学，以优化科研创新环境、传播和服务科学、促进学科交叉融合为宗旨，打造优质学术资源的共享数据平台。

版权说明：未经授权严禁任何形式的媒体转载和摘编，并且严禁转载至微信以外的平台！

---

原创文章首发于蔻享学术，仅代表作者观点，不代表蔻享学术立场。

转载请在『蔻享学术』公众号后台留言。

点击阅读原文～发现惊喜！