MACE provides fast and accurate machine learning interatomic potentials with higher order equivariant message passing. This repository contains the MACE reference implementation developed by Ilyes Batatia, Gregor Simm, David Kovacs, and the group of Gabor Csanyi, and friends (see Contributors). Also available:

2022年6月15日 · In this work, we introduce MACE, a new equivariant MPNN model that uses higher body order messages. In particular, we show that using four-body messages reduces the required number of message passing iterations to just two, resulting in a fast and highly parallelizable model, reaching or exceeding state-of-the-art accuracy on the rMD17, 3BPA ...

MACE - Fast and accurate machine learning interatomic potentials with higher order equivariant message passing. Python 664 260

MACE （信息传递的原子簇扩展， Message-passing ACE）：在ACE的基础上，引入信息传递模型，使计算尺度从小体系扩展到大体系， 稳健 地进行 大体系 材料计算。 但精度会降低。 MACE-MP-0：MACE的一个 基本框架。 ins.sjtu.edu.cn/seminars/2482 笔记 MLIPs（机器学习原子间势，Machine-Learned Interatomic Potentials）：用人工智能中的机器学习方法，来处理原子间相互作用势的问题，可以用在材料计算领域。 GNoME（材料科学…

在这里，我们使用最先进的 MACE架构，介绍了一个单一的通用机器学习模型，该模型仅在包含150k无机晶体的公共数据库上进行训练，能够对分子和材料进行稳定的分子动力学模拟。 我们展示了MACE-MP-0模型的力量——以及其在定性和有时定量上的准确性——在物理科学中的多种问题上，包括固体、液体、气体的性质、化学反应、界面甚至小蛋白的动力学。 该模型可以即开即用，并且可以作为任何原子系统的起始或“基础模型”，因此是朝着通过降低入门门槛来实现机器 …

2023年8月22日 · ACEsuit is a collection of Julia packages built around the Atomic Cluster Expansion (ACE) Model, an efficient parameterisation scheme for many-body interactions in particle systems. ACE models are defined in terms of body-ordered polynomial invariant features of (possibly decorated) point clouds.

MACE is a a machine learning software for predicting many-body atomic interactions and generating force fields. It utilizes higher order equivariant message passing for fast and accurate predictions. To get quickly started with MACE, please go …

Currently available pretrained MACE models: Initial release of foundation model. Improved accuracy for materials, improved high pressure stability. Initial release covering neutral organic chemistry. Foundation models are a rapidly evolving field.

MACE - Fast and accurate machine learning interatomic potentials with higher order equivariant message passing. - ACEsuit/mace

2024年6月8日 · MACE（Materials Adaptive Convolutional Equivariants）是专为材料科学设计的一个强大而高效的机器学习工具，提供高阶等变消息传递的快速准确的交互势能预测。 由Ilyes Batatia、Gregor Simm、David Kovacs和Gabor Csanyi教授团队开发，MACE为研究者提供了训练和评估先进分子系统的新型框架。 MACE采用了先进的深度学习技术，如高阶等变图神经网络（Higher Order Equivariant Graph Neural Networks），以处理复杂的3D点云数据。 它具备以 …