在 AI for Science 的规模化推广过程中，低门槛使用且开源的高性能工具至关重要。一方面，科研人员能够通过上手使用，更加直观地了解 AI 的能力；另一方面，当团队中缺乏交叉学科人才时，已有工具能够减少科研人员探索 AI 应用的成本，加速研究进程。

为了方便大家检索易用的开源工具，HyperAI超神经将面向不同的学科领域，定期汇总整理优质工具资源。如果大家发现好用的工具，也欢迎以后台留言的形式分享给我们！


本期介绍的是材料化学领域的工具资源：


*Pymatgen：材料分析 Python 库

*PubChemPy：化学工具包

*Bert-loves-chemistry：化学建模

*LAMMPS：大规模原子分子并行模拟器

*NIMS-OS：自动材料探测

*ChemCrow：简化常见化学任务推理

*浦科化学：开源科学大模型

*Open Catalyst Project：挖掘用于可再生能源储存的新催化剂

*Materials Projects：计算材料性质






Pymatgen：材料分析 Python 库


Pymatgen (Python Materials Genomics) 是一个开源的、可用于材料分析的 Python 库，拥有强大的材料分析代码，为结构和分子定义了类别，并支持多种电子结构代码，为材料项目提供动力。


资源地址：

https://github.com/materialsproject/pymatgen






PubChemPy：化学工具包


PubChemPy 依赖于 PubChem 数据库，是一个通过 PUG REST Web 服务的化学工具包，提供了一种在 Python 中与 PubChem 交互的方法，允许用户通过名称、子结构和相似性进行文件格式转换和化学性质检索等功能。


资源地址：

https://github.com/mcs07/PubChemPy






Bert-loves-chemistry：化学建模


Bert-loves-chemistry 是应用于化学 SMILES 数据的 HuggingFace 模型存储库，可用于药物设计、化学建模和特性预测等。


资源地址：

https://github.com/seyonechithrananda/bert-loves-chemistry






LAMMPS：大规模原子分子并行模拟器


Large-scale Atomic/Molecular Massively Parallel Simulator，分子动力学模拟，专注于材料建模。在固态材料（金属、半导体）和软物质（生物分子、聚合物）以及粗粒等方面具有潜力，可用于原子、介观或连续尺度的并行粒子模拟。


资源地址：

https://github.com/lammps/lammps






NIMS-OS：自动材料探测


NIMS-OS (NIMS Orchestration System) 是一个 Python 库，无需人工干预，即可进行自动材料探测。NIMS 自动机器人电化学实验 (NAREE) 系统可用作机器人实验，还能够提供结果可视化工具，允许用户实时检查优化结果。


资源地址：

https://github.com/nimsos-dev/nimsos






ChemCrow：简化常见化学任务推理


ChemCrow 是一个开源软件包，整合了 13 种专家设计的化学工具，旨在简化药物、材料设计和合成等领域中各种常见化学任务的推理过程。模型在合成生成的流程图的独立测试数据集上实现了 80% 的 top-1 准确度和 84% 的 top-5 准确度，可以学习自动更正合成流程图。


资源地址：

https://github.com/ur-whitelab/chemcrow-public






浦科化学：开源科学大模型


上海人工智能实验室开源发布的首个科学大模型浦科化学 (ChemLLM)，通过注入海量化学专业数据，使大模型获得了理解和处理化学相关专业任务的知识与能力。同时，研究人员发现，随着化学能力的获得，大模型的数理学科及推理能力也得到增强。


资源地址：

https://huggingface.co/AI4Chem/ChemLLM-7B-Chat






Open Catalyst Project：挖掘催化剂


Open Catalyst Project 是 Meta AI 的基础人工智能研究部门 (FAIR) 和卡内基梅隆大学化学工程系 (CMU) 合作的研究成果，旨在利用 AI 建模并挖掘可用于可再生能源储存的新催化剂，以应对气候变化。


为了使更多研究人员加入 Open Catalyst Project，该团队发布了 Open Catalyst 2020 (OC20) 和 Open Catalyst 2022 (OC22) 数据集，用于训练机器学习模型。数据集共包含 130 万个分子弛豫 (molecular relaxation)，以及超过 2.6 亿次 DFT 计算的计算结果。此外，基础模型和代码也一并在 Github 上开源。


资源地址：

https://github.com/Open-Catalyst-Project






Materials Projects：计算材料性质


Materials Projects 旨在计算所有无机材料的性质，并免费为每位材料研究人员提供数据和相关的分析算法。该项目的最终目标是，通过把重点放在那些在计算上最有前途的化合物上，从而大大减少研发新材料所需的时间。目前，其可以为研究人员提供：


* Pymatgen：用于材料分析的开源 Python 库，研究人员能够访问 Materials API 进一步分析复杂的材料数据集。

* Crystal Toolkit：开源 Web 应用程序框，用于显示常见的材料数据类型，如晶体结构、能带结构等，专门为 Python 用户设计，允许用户开发完整的网络应用程序，而无需学习传统的网络技术。

* FireWorks：免费开源代码，可以用于自动计算任意计算资源，支持在大型计算中心运行高吞吐量计算。

* Atomate：为执行复杂的材料计算提供了「配方」，只需几行代码就能自动执行一系列相互关联的复杂计算。


资源地址：

https://next-gen.materialsproject.org/



 往期推荐 

戳“阅读原文”，免费获取海量数据集资源！

内容中包含的图片若涉及版权问题，请及时与我们联系删除