发现资源

GeoDiff 是一种用于分子构象生成的几何扩散模型，提供官方代码，支持基于 GEOM 的训练、检查点采样，以及构象和性质评估。

分子生成 · 计算化学

GraphAF 是一种用于分子图生成的基于流的自回归模型，提供参考代码链接，README 更新还指向 TorchDrug 中的一个实现。

分子生成

JT-VAE 是 Junction Tree Variational Autoencoder 的官方实现，用于分子图生成，包含 VAE 训练代码，以及用于贝叶斯优化和联合训练性质预测器的脚本。

分子生成

MoFlow 是一种可逆分子图生成模型，文档介绍了用于 QM9 和 zinc250k 的训练、重构、潜空间采样、插值和性质优化工作流。

分子生成

MolGPT 使用 MOSES 和 Guacamol 数据集，通过下一词元预测训练一个小型自定义 GPT，用于无条件和有条件分子生成，并链接了训练后的权重和基于 Ecco 的显著性分析。

分子生成

ChemBERTa 提供用于化学 SMILES 的类 BERT 模型，包括采用 RoBERTa 掩码语言建模的检查点，以及用于预训练、微调和分子性质预测研究的笔记本。

分子性质预测

GraphMVP 是一种分子表示学习研究实现，在预训练期间结合 2D 拓扑和 3D 几何信息，随后在下游分类和回归任务中使用 2D 图。

分子性质预测

GROVER 提供预训练分子图 Transformer，以及用于自监督预训练、性质预测微调、推理、评估和分子指纹生成的 PyTorch 工作流。

分子性质预测

MolCLR 是一个分子对比学习框架，可在未标注分子上对图神经网络进行预训练，并支持针对下游分子性质预测进行微调。

分子性质预测

Uni-Mol 是一个 3D 分子表征学习框架，包含分子和蛋白质口袋模型，并配有用于性质预测、构象建模和分子对接的相关工具。

分子性质预测 · 分子生成

GemNet 是一个 PyTorch 参考实现，用于通过几何消息传递模型预测分子能量和原子受力，并提供训练、基于 ASE 的预测和分子动力学笔记本。

分子性质预测 · 计算化学

DimeNet 提供 DimeNet 和 DimeNet++ 的参考实现，用于分子图上的方向性消息传递，并包含训练笔记本、测试集预测工作流和预训练模型。

分子性质预测 · 量子化学

SpookyNet 是一个 Python 研究软件包，据描述可学习包含电子自由度和非局域效应的力场；该项目附有一篇引用论文，且仓库代码采用 MIT 许可证。

分子性质预测 · 量子化学

PhysNet 是一个 TensorFlow 实现，用于预测分子能量、力、偶极矩和部分电荷，并提供可配置的训练工作流和示例数据集。

分子性质预测 · 量子化学

TorchMD-Net 将可训练的神经网络势实现为 PyTorch 模块，提供 TensorNet 架构、自定义分子数据集、预训练检查点加载以及分子动力学集成。

分子性质预测 · 计算化学

DeePMD-kit 是一套工具包，可利用量子力学参考数据训练和微调 Deep Potential 原子间模型，然后将其导出用于推理和分子动力学模拟。

计算化学 · 材料发现

TorchANI 是一个基于 PyTorch 的库，用于开发、训练和使用 ANI 风格的神经网络原子间势，并可选用 C++ 和 CUDA 扩展来计算描述符和执行推理。

分子性质预测 · 量子化学

Allegro 在 NequIP 框架中作为扩展实现 E(3)-等变原子间势，并提供文档说明的 GPU 加速选项，以及用于 LAMMPS 模拟的独立插件。

计算化学 · 材料发现

NequIP 是一个用于构建 E(3)-等变原子间势的开源框架，支持训练、预训练基础势，以及与 ASE 和 LAMMPS 集成。

计算化学 · 材料发现

MACE 提供高阶等变机器学习原子间势，并支持基于原子级数据训练、评估构型，以及使用或微调预训练模型的工作流程。

计算化学 · 材料发现