发现资源

IDAES 是一个 Python 过程系统工程工具包，用于通过仿真开展先进能源系统的设计、分析和优化，并提供求解器扩展；示例则单独分发。

工艺优化 · 化学制造

Phoenics 将贝叶斯优化与贝叶斯核密度估计相结合，用于推荐实验或计算参数，并支持序贯、批量和多目标工作流。

实验室自动化 · 工艺优化

Gryffin 是一个 Python 贝叶斯优化框架，适用于类别型和混合型实验设计空间，支持批量推荐和物理化学描述符。

实验室自动化 · 工艺优化

Olympus 是一个用于对含噪优化和实验规划进行基准测试的 Python 框架，支持混合参数域、实验基准、解析测试函数以及统一的规划器接口。

实验室自动化 · 工艺优化

BoFire 是一个用于实验设计和贝叶斯优化的 Python 框架，支持混合变量、约束、分子表示和迭代候选选择。

实验室自动化 · 工艺优化

Summit 是一个用于化学反应优化的 Python 工具包，结合了优化策略、模拟反应基准和闭环工作流，可用于评估实验条件。

实验室自动化 · 工艺优化

BayBE 是一个用于贝叶斯实验设计的 Python 工具箱，可根据定义的搜索空间、目标和测量结果推荐参数配置，支持化学领域感知和多目标工作流。

实验室自动化 · 工艺优化

DeePKS-kit 是一个 Python 工具包，用于训练量子化学能量泛函、测试后 Hartree–Fock（post-HF）模型，并通过 DeePHF 和 DeePKS 方案执行自洽计算。

量子化学

DeePTB 是一个用于深度学习电子结构模型的 Python 包，将依赖环境的紧束缚方法与等变哈密顿量、密度矩阵和重叠矩阵表示相结合。

量子化学 · 材料发现

DP-GEN 是一个 Python 并发学习平台，用于协调分子模拟、第一性原理计算和 DeePMD-kit 工作流，以生成原子间势模型。

计算化学 · 材料发现

QML 是一个已归档的 Python 量子机器学习工具包，包含由 Fortran 支持的表示、核函数和求解器模块。后续开发已转移至 qmllib。

分子性质预测 · 量子化学

DScribe 是一个 Python 库，可将原子结构转换为数值描述符，用于机器学习、可视化和相似性分析，并支持批处理和原子位置导数。

分子性质预测 · 材料发现

CGCNN 实现了晶体图卷积神经网络，可根据晶体结构学习材料性质，并支持使用自定义数据训练模型以及使用预训练模型进行预测。

材料发现

CrabNet 实现了一种基于注意力机制的模型，仅根据材料组成预测材料性质，并附有基本使用和模型可解释性指南。

材料发现

ALIGNN 提供用于材料性质预测的原子图神经网络，并包含训练工作流、预训练预测器和用于结构优化的 ALIGNN-FF 力场。

材料发现

M3GNet 是一个已归档的材料图神经网络实现，包含三体相互作用、预训练原子间势，以及用于晶体弛豫、分子动力学和模型训练的工作流。

计算化学 · 材料发现

CHGNet 是一种针对晶体结构的预训练、融合电荷信息的神经网络势，可预测能量、力、应力和磁矩，用于结构弛豫与分子动力学工作流。

计算化学 · 材料发现

MEGNet 是一个已弃用的 TensorFlow 图网络实现，包含预训练的分子和晶体性质模型、训练工具，以及可迁移的元素嵌入。

分子性质预测 · 材料发现

MODNet 是一个 Python 框架，可根据材料组成或晶体结构进行监督式材料性质预测，支持多个目标的联合学习，并提供两种有文档说明的预训练模型。

材料发现

matminer 是一个用于材料科学数据挖掘的 Python 库，汇集社区数据集、数据检索方法和特征化器，并为研究工作流提供引文支持。

材料发现