ReaxFF力场、机器学习势、DFTB参数训练
基于Advanced WorkFlow模块的ParAMS,训练功能得到彻底完善,并增加MD Active Learning实时学习AIMD对机器学习势M3GNet与NequIP进行微调或从头训练。并提供相关中文图文、视频教程如下(文中链接点击下方 阅读原文 获取):
ParAMS 训练 ReaxFF(链接)
ParAMS 训练 DFTB 参数(链接)
机器学习势的训练:
MD Active Learning 学习 AIMD(链接):优点是使用简单,只需要跑AIMD就可以学习,缺点是效率非常低,如果分子动力学迟迟不发生化学反应,或进行期望的转变,则很难学习到相关的信息。不过AMS中,可以通过强制反应(链接),很大程度上弥补这个缺点。
ParAMS 训练机器学习势如 M3GNet(链接):优点是训练效率非常高,用户可以自行生成结构优化、过渡态搜索、势能面扫描、键长、键角、能量、晶格常数,甚至实验数据来训练。缺点是需要用户逐渐积累一定的经验,训练集、验证集的选择需要人的智慧经验。
分子动力学与化学反应
机器学习势增加 AIMNet2:适用于分子、离子,包括非金属元素,异构能量排序非常准确
可以为分子动力学设置作业退出条件
ReaxFF:新增 6 种新力场
ML Potential:自动检测 PGU 型号
离子电导率(链接)
化学反应辅助工具:
Reactions Discovery:快速确认(副)反应可能性、(副)产物可能性(链接)
ACE Reaction Network:根据反应物、产物的分子结构,筛选反应通道(链接)
Reaction boost:强制反应,用于 MD Active Learning 从 AIMD 训练机器学习势非常有用(链接)
React Map:确定化学反应中反应物和产物之间的最佳原子映射(链接)
Quantum ESPRESSO & BAND
集成 Quantum ESPRESSO 7.1 并与 BAND 合并为一个模块,并更新了赝势库,默认使用 Solid-State Pseudopotentials (SSSP) 赝势。Quantum ESPRESSO 实现完全集成,输入、输出文件格式与AMS传统一致。并支持 AMS 驱动的各种功能,如巨正则系综蒙特卡洛、分子动力学、势能面扫描、PES Exploration、过渡态搜索等,用法与其他模块一致。
Quantum ESPRESSO 也可用于 MD Active Learning 训练机器学习势、生成ParAMS训练集。Quantum ESPRESSO & BAND 中文教程库(链接)
图形窗口
支持导出作业为 python 脚本
支持导入 *.run 文件
支持从文件、SMILES 导入多个分子
AMSView:
显示函数、函数均值,沿某条路径的分布(链接)
X 射线粉末衍射谱(链接)
AMSmovie:显示机器学习势分子动力学模拟的不确定性
其他功能
ADF
计算 paramagnetic NMR (pNMR) chemical shieldings(链接)
G0W0 支持 DRF、COSMO 溶剂化
BAND:从前一次计算 restart DOS/BandStructure 计算
APPLE&P:升级参数到 1.13
COSMO-RS: 增加 PyCRS 功能及其 database module & CRS Manager
PISA:AMS 的新 Python 输入系统(PLAMS settings.input 的替代方案)带自动完成和输入猜测提示
新版试用
AMS 免费试用(链接)
点击“阅读原文”