跳转到正文

Phonopy Skill (Jinzhe Zeng Group)

qqgu

与后端无关的 Phonopy Skill,用于规划有限位移计算、整理力数据,并在明确科学假设的前提下指导能带、态密度和热学分析。

条目更新 ·

概览

Phonopy Skill 是 computational-chemistry-agent-skills 集合中的一份指令资源,路径为 analysis/phonopy/SKILL.md。它指导助手围绕 phonopy 开展声子工作流,同时将位移生成与分析同计算力的引擎区分开来。它不是上游 Phonopy 软件包,也不是可独立运行的智能体。指令列出了 VASP、Quantum ESPRESSO 和机器学习力场等力提供方选项,但并未证明这些集成经过测试。

工作流从有效结构及其晶胞或原胞背景开始。用户需要指定力计算后端、超胞、位移幅度和所需输出。能带计算还需要定义路径并选择采样参数;态密度和热学计算则需要网格设置,热学性质计算还需要温度设置。Skill 指导助手生成位移后的超胞、保持其与力文件之间的对应关系、检查数据集是否完整,并组装 FORCE_SETS 或力常数。预期交付内容包括位移任务布局、组装状态、所请求的分析文件,以及假设和未解决事项的记录。

指令要求提供有效结构以及位移超胞的力或预先计算的力常数,并指示助手在缺少输入时提出请求,而不是编造数据。后端执行和集群提交属于单独的工作流。科学局限需要明确说明:超胞过小、单位不一致、收敛不足以及能带路径含糊,都可能影响结果解读。还必须报告相关的长程相互作用或非解析修正设置。这些内容是有文档说明的工作流要求,并非科学结果经过验证的证据。

主要功能

  • 定义与后端无关的职责划分:Skill 负责组织位移和声子分析,另行指定的力提供方负责计算力。
  • 根据所请求的分析收集结构、超胞、位移、原胞、对称性、网格和能带路径等设置。
  • 要求建立可追溯的位移与力文件对应关系,并在组装力常数前检查力数据是否完整。
  • 指导组装 `FORCE_SETS` 或力常数,并继续进行能带结构、态密度和热学性质分析。
  • 要求明确报告假设、尚未解决的科学选择、收敛方面的注意事项,以及相关的非解析修正设置。
  • 明确禁止编造力数据或直接提交集群任务,并提供转交给后端及任务提交工作流的指引。

使用场景

  • 建议的评估方式:针对给定的周期性结构,组织有限位移能带结构工作流,并将力计算交由选定的 DFT 后端。
  • 建议的评估方式:评估机器学习力提供方工作流是否能返回完整且映射一致的力数据,以用于声子态密度和热学分析。
  • 建议的评估方式:在解读输出前,审查声子任务是否缺少力文件、能带路径约定是否不明确、单位是否不一致,以及收敛设置是否尚未解决。

使用方式

  1. 阅读指定的 Skill及其所属的集合。将其视为工作流指令;其中列出的前提是具备 phonopy,并使用单独的力提供方工作流。
  2. 提供真实的结构文件及晶胞背景。说明是否已有位移超胞的力或预先计算的力常数,并在继续前补齐缺失的必需输入。
  3. 指定分析目标、后端、超胞和位移幅度。明确原胞和对称性选择;视需要补充能带路径或网格以及温度设置。
  4. 按照 Skill 的位移工作流操作,并将位移结构交给所选后端。确保每个位移都与其力输出对应;执行和任务提交应遵循单独的后端或提交指引。
  5. 组装 FORCE_SETS 或力常数前,检查数据完整性和单位约定。请求所需的分析输出,然后检查假设、收敛方面的注意事项、虚频以及相关的长程设置。应将此检查视为评估,而非科学有效性的证明。

相关资源

ALIGNN

模型

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。

开源Python

材料发现

Allegro

模型

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。

开源Python

计算化学 · 材料发现

computational-chemistry-agent-skills 集合中的 ASE 路由 Skill,将工作流准备与计算器配置分开,并将执行委托给其他环节。

计算化学 · 材料发现

CGCNN

模型

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。

开源Python

材料发现

ChatMOF

智能体

ChatMOF 是一个代码可用的研究系统,利用语言模型引导的工具,根据自然语言请求检索 MOF 数据、预测性质并生成结构。

开源Python

材料发现

ChemAgent (AI4Chem) 是一个面向化学与材料领域工具使用的研究框架,与 CheMatAgent 论文相关;该论文介绍了基于树搜索的规划、工具执行以及基于 ChemToolBench 的训练。

计算化学 · 材料发现

相关指南

工作流

材料科学 AI 工具指南:MCP、Agent 与 Skills

材料数据库、研究智能体与科学 Skills 实用指南:如何组织晶体筛选、计算与分析,同时区分凸包、平衡、声子和实验稳定性相关主张。

技能

化学 AI Skills 是什么?科研 Agent 的能力模块详解

了解化学 AI Skills 如何作为可复用的流程模块:`SKILL.md` 包含什么内容,宿主如何加载指令,Skills 与 MCP 和智能体有何区别,以及如何选择、组合和评估它们,同时避免将操作指导误认为科学验证。

工作流

计算化学 AI 工作流:从结构到模拟与结果分析

借助 AI Skills 构建重视证据的计算化学工作流,涵盖结构准备、声子、气相着火、CALPHAD 平衡和反应分子动力学分析,同时明确真实输入、执行依赖和科学验证。