概览
SpookyNet 是一款研究软件，其明确提出的重点是学习包含电子自由度和非局域效应的力场。项目 README 标出了相关的 2021 年《Nature Communications》论文，并要求代码使用者引用该论文。软件包描述重申了这一研究重点，因此 SpookyNet 更适合作为研究学习型力场的候选工具，而非通用化学工具包。
打包配置将 Python 发行包标识为 spookynet，并声明依赖 PyTorch、NumPy、scikit-learn 和 ASE。配置还将 spookynet.modules 包中 d4data 目录下的 .pth 文件列为包数据。这些信息说明了软件声明的环境和发行包内容，但并未展示训练、推理或模拟工作流。来源摘录没有说明分子输入格式、电子自由度的表示方式，也没有说明返回预测的结构和单位。
在规划工作流时，应将该仓库视为评估力场学习实现的起点，而不是已有文档说明的开箱即用服务。项目 README 包含引用说明，但没有安装指南、API 示例或基准测试结果。研究人员需要查阅仓库中的其他材料，才能选择数据集、将软件包接入分子模拟工作流，或评估其预测质量。仓库代码明确采用 MIT 许可证；这些摘录未说明数据集或模型权重是否适用单独条款。
主要功能
- 软件包描述和所引论文标题均明确指出，力场学习是其研究目的。
- 电子自由度和非局域效应被列为 SpookyNet 方法的特点，但未提供其实现细节。
- Python 打包配置声明依赖 ASE、NumPy、scikit-learn 和 PyTorch。
- 包数据配置包含 `spookynet.modules` 中的 `d4data/*.pth` 文件，但未说明这些文件的内容或用途。
使用场景
- 评估建议：考察 SpookyNet 所述的电子自由度处理方式是否适合拟议的学习型力场研究问题。
- 评估建议：在设计与其他力场方法的比较之前，研究该实现对非局域效应的处理方式。
- 评估建议：检查仓库中是否提供适用于已使用 ASE 和 PyTorch 的 Python 分子建模工作流的接口。
使用方式
- 从官方 README开始。记录其中引用的 SpookyNet 论文，以及使用代码时引用该论文的要求；此摘录没有提供可运行示例。
- 检查打包配置。其中声明 Python
>=3.7，以及 ASE、NumPy、scikit-learn 和 PyTorch 的最低版本要求。应将其视为依赖要求，而非已测试兼容性的证据。 - 查阅仓库，寻找安装指南、入口和示例。尝试建立工作流之前，应先确认预期的分子输入、电子态表示方式和输出约定。
- 检查打包的
d4data/*.pth文件如何使用。所提供的配置只说明包含了这些文件，并未解释其科学用途或是否适用单独条款。 - 阅读代码许可证。找到有文档说明的工作流后，可规划使用合适参考数据开展小规模评估；此处未报告此类评估。