MindSpore Chemistry

View English

目录

• MindSpore Chemistry
  • 目录
  • 介绍
  • 最新消息
  • 应用案例
    • 力场模拟
    • DFT模拟
    • 性质预测
    • 结构生成
  • 安装教程
    • 版本依赖关系
    • 依赖安装
    • 硬件支持情况
    • 源码安装
  • 社区
    • 核心贡献者
  • 贡献指南
  • 许可证
  • 引用

介绍

传统化学研究长期以来面临着众多挑战，实验设计、合成、表征和分析的过程往往耗时、昂贵，并且高度依赖专家经验。AI与化学的协同可以克服传统方法的局限性、开拓全新的研究范式，结合AI模型与化学知识，可以高效处理大量数据、挖掘隐藏的关联信息，构建仿真模型，从而加快化学反应的设计和优化，实现材料的性质预测，并辅助设计新材料。

MindSpore Chemistry（MindChemistry）是基于MindSpore构建的化学领域套件，支持多体系（有机/无机/复合材料化学）、多尺度任务（微观分子生成/预测、宏观反应优化）的AI+化学仿真，致力于高效使能AI与化学的融合研究，践行和牵引AI与化学联合多研究范式跃迁，为化学领域专家的研究提供全新视角与高效的工具。

最新消息

• 2025.03.30 MindChemistry 0.2.0版本发布，包括多个应用案例，支持NequIP、Allegro、DeephE3nn、Matformer以及DiffCSP模型。
• 2024.07.30 MindChemistry 0.1.0版本发布。

应用案例

力场模拟

• 体系：有机化学
• 数据：Revised Molecular Dynamics 17 (rMD17) 数据集。该数据集包含了多种有机化合物的分子动力学性质，提供化合物的原子位置、原子数等描述信息，以及能量、力场等性质信息。
• 任务：分子能量预测。集成了 NequIP 模型[1] 和 Allegro 模型[2]，根据分子体系中各原子的位置与原子数信息构建图结构描述，基于等变计算与图神经网络，计算出分子体系能量。

DFT模拟

• 体系：材料化学
• 数据：双层石墨烯数据集。该数据集包含了原子位置、原子数等描述信息，以及哈密顿量等性质信息。
• 任务：密度泛函理论哈密顿量预测。集成了 DeephE3nn 模型[3]，基于E3的等变神经网络，利用原子的结构预测哈密顿量。

性质预测

• 体系：材料化学
• 数据：JARVIS-DFT 3D数据集，包含晶体材料的原子位置、原子数等描述信息以及能量、力场等性质信息。
• 任务：晶体材料性质预测。集成了 Matformer 模型[4]，基于图神经网络和Transformer架构，预测晶体材料的各种性质。

结构生成

• 体系：材料化学
• 数据：
  • Perov-5：钙钛矿数据集，每个晶胞中固定5个原子，结构接近。
  • Carbon-24：碳晶体数据集，包含6到24个碳原子的不同结构。
  • MP-20：MP数据集中的实验数据，胞内不超过20个原子。
  • MPTS-52：MP-20的进阶版，胞内最多52个原子。
• 任务：晶体材料结构预测。集成了 DiffCSP 模型[5]，基于图神经网络和扩散模型，预测晶体材料的结构。

安装教程

版本依赖关系

由于MindChemistry与MindSpore有依赖关系，请根据下表中所指示的对应关系，在MindSpore下载页面下载并安装对应的whl包。

依赖安装

使用以下命令安装所需的依赖包：

pip install -r requirements.txt

硬件支持情况

源码安装

• 从Gitee下载源码

  git clone https://gitee.com/mindspore/mindscience.git
  cd {PATH}/mindscience/MindChemistry
  

• 编译昇腾Ascend后端源码

  bash build.sh -e ascend
  

• 安装编译所得whl包

  cd {PATH}/mindscience/MindChemistry/output
  pip install mindchemistry_*.whl
  

社区

核心贡献者

感谢以下开发者做出的贡献：

wujian, wangyuheng, Lin Peijia, gengchenhua, caowenbin，Siyu Yang

贡献指南

• 如何贡献您的代码，请点击此处查看：贡献指南

许可证

Apache License 2.0

引用

[1] Batzner S, Musaelian A, Sun L, et al. E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials[J]. Nature communications, 2022, 13(1): 2453.

[2] Musaelian A, Batzner S, Johansson A, et al. Learning local equivariant representations for large-scale atomistic dynamics[J]. Nature communications, 2023, 14(1): 579.

[3] Xiaoxun Gong, He Li, Nianlong Zou, et al. General framework for E(3)-equivariant neural network representation of density functional theory Hamiltonian[J]. Nature communications, 2023, 14: 2848.

[4] Keqiang Yan, Yi Liu, Yuchao Lin, Shuiwang ji, et al. Periodic Graph Transformers for Crystal Material Property Prediction[J]. arXiv:2209.11807v1 [cs.LG] 23 sep 2022.

[5] Jiao Rui and Huang Wenbing and Lin Peijia, et al. Crystal structure prediction by joint equivariant diffusion[J]. Advances in Neural Information Processing Systems, 2024, 36.