GMP-Featurizer is a lightweight, accurate, efficient, and scalable software package for calculating the Gaussian Multipole (GMP) features \cite{GMP} for a variety of atomic systems with elements across the periodic table. Starting from the GMP feature computation module from AmpTorch \cite{amptorch}, the capability of GMP-Featurizer has since been greatly improved, including its accuracy and efficiency, as well as the ability to parallelize on different cores, even machines. Moreover, this python package only has very few dependencies that are all standard python libraries, plus cffi for C++ code interfacing and Ray \cite{Ray} for parallelization, making it lightweight and robust. A set of unit tests are designed to ensure the reliability of its outputs. A set of extensive examples and tutorials, as well as two sets of pseudopotential files (needed for specifying the GMP feature set), are also included in this package for its users. Overall, this package is designed to serve as a standard implementation for chemical and material scientists who are interested in developing models based on GMP features. The source code for this package is freely available to the public under the Apache 2.0 license.


翻译:GMP-Featurizer 是一个精简、准确、高效且可扩展的软件包,用于计算周期表中各种元素的原子系统的高斯多极(GMP)特征。它从AmpTorch的GMP特征计算模块开始,功能已经得到了大大提高,包括精度和效率的提高,以及在不同核心甚至机器上的并行化能力。此外,这个Python包只有很少的依赖关系,所有依赖项都是标准的Python库,外加 cffi 用于C ++代码接口和Ray 用于并行化,使它变得轻便且健壮。设计了一组单元测试以确保其输出的可靠性。此软件包还包括一组广泛的示例和教程,以及两组赝势文件(用于指定GMP特征集),供其用户使用。总的来说,这个软件包旨在为对基于GMP特征开发模型感兴趣的化学和材料科学家服务。这个软件包的源代码在 Apache 2.0 许可下向公众免费提供。

0
下载
关闭预览

相关内容

何建模和处理国际会议(GMP)是关于几何建模的数学和计算方面的年度国际会议系列和模拟。GMP会议系列为研究人员和从业人员提供了一个交流新思想,讨论新应用和提出新解决方案的论坛。几何数据的建模和处理是许多计算机应用程序的基础,包括计算机图形学,计算机视觉,CAD / CAM,医学成像,工程分析,机器人技术,增材制造和科学计算。 官网地址:http://dblp.uni-trier.de/db/conf/gmp/
【2022新书】高效深度学习,Efficient Deep Learning Book
专知会员服务
122+阅读 · 2022年4月21日
TensorFlow 2.0 学习资源汇总
专知会员服务
67+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
CUDA编程:矩阵乘运算从CPU到GPU
极市平台
1+阅读 · 2022年10月31日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
动手实现推荐系统评价指标
机器学习与推荐算法
1+阅读 · 2022年6月1日
实战 | 源码入门之Faster RCNN
计算机视觉life
19+阅读 · 2019年4月16日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
2+阅读 · 2023年5月10日
Arxiv
93+阅读 · 2022年8月2日
VIP会员
相关资讯
CUDA编程:矩阵乘运算从CPU到GPU
极市平台
1+阅读 · 2022年10月31日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
动手实现推荐系统评价指标
机器学习与推荐算法
1+阅读 · 2022年6月1日
实战 | 源码入门之Faster RCNN
计算机视觉life
19+阅读 · 2019年4月16日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】深度学习目标检测全面综述
机器学习研究会
21+阅读 · 2017年9月13日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员