maml (MAterials Machine Learning) 是一个旨在提供有用的高级接口的 Python 包，使材料科学中的机器学习尽可能简单。

maml 的目标不是重复其他包中已经存在的功能。maml 依赖于 scikit-learn 和 tensorflow 等已建立的包来实施机器学习算法，以及 pymatgen 和 matminer 等其他材料科学包来执行晶体/分子操作和特征生成。

官方文档在 https://materialsvirtuallab.github.io/maml/

功能

1. 将材料（晶体和分子）转换为特征。除了常见的组成、位置和结构特征外，我们还提供以下细粒度局部环境特征。

a) 双谱系数 b) Behler Parrinello对称函数 c) 原子位置平滑重叠（SOAP） d) 图网络特征（组成、位置和结构）

2. 使用机器学习来学习特征与目标之间的关系。目前，maml支持sklearn和keras模型。

3. 应用

a) pes 用于建模势能面，构建用于性质预测的替代模型。

i) 神经网络势（NNP） ii) 带SOAP特征的Gaussian近似势（GAP） iii) 光谱邻域分析势（SNAP） iv) 动量张量势（MTP）

b) rfxas 用于预测原子局部环境，基于X射线吸收光谱的随机森林模型。

c) bowsr 用于带有贝叶斯优化和替代能量模型的快速结构弛豫。

安装

通过PyPI进行Pip安装

pip install maml

要运行势能面（pes），需要安装lammps，可以从源代码或conda安装：

conda install -c conda-forge/label/cf202003 lammps

SNAP势能随lammps安装提供。运行相应的势能需要GAP和MTP的GAP包以及MLIP包。拟合NNP势能需要n2p2包。

从requirement.txt文件安装所有库：

pip install -r requirements.txt

对于上述所有要求：

pip install -r requirements-ci.txt
pip install -r requirements-optional.txt
pip install -r requirements-dl.txt
pip install -r requirements.txt

使用方法

有许多Jupyter笔记本可供使用。请参阅notebooks。我们还在nanoHUB上有一个工具和教程讲座。

API文档

请参阅API文档。

引用

@misc{
    maml,
    author = {Chen, Chi and Zuo, Yunxing, Ye, Weike, Ji, Qi and Ong, Shyue Ping},
    title = {{Maml - materials machine learning package}},
    year = {2020},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\url{https://github.com/materialsvirtuallab/maml}},
}

对于ML-IAP包（maml.pes），请引用：

Zuo, Y.; Chen, C.; Li, X.; Deng, Z.; Chen, Y.; Behler, J.; Csányi, G.; Shapeev, A. V.; Thompson, A. P.;
Wood, M. A.; Ong, S. P. Performance and Cost Assessment of Machine Learning Interatomic Potentials.
J. Phys. Chem. A 2020, 124 (4), 731–745. https://doi.org/10.1021/acs.jpca.9b08723.

对于BOWSR包（maml.bowsr），请引用：

Zuo, Y.; Qin, M.; Chen, C.; Ye, W.; Li, X.; Luo, J.; Ong, S. P. Accelerating Materials Discovery with Bayesian
Optimization and Graph Deep Learning. Materials Today 2021, 51, 126–135.
https://doi.org/10.1016/j.mattod.2021.08.012.

对于AtomSets模型（maml.models.AtomSets），请引用：

Chen, C.; Ong, S. P. AtomSets as a hierarchical transfer learning framework for small and large materials
datasets. Npj Comput. Mater. 2021, 7, 173. https://doi.org/10.1038/s41524-021-00639-w