Atomic Simulation Environment — библиотека Python для работы с атомами
The atomic simulation environment—a Python library for working with atoms
2017-03-21
SCID: 54.1/9akum6w6
Discuss with AI
Atomic Simulation Environmentбиблиотека Pythonатомистические симуляциикоды электронной структурырасчёты методом упругой ленты
Figures from the paper
Abstract (AI)
Atomic Simulation Environment (ASE) — программный пакет, написанный на языке программирования Python, предназначенный для настройки, управления и анализа атомистических моделирований. В ASE задачи полностью задаются в виде скриптов на Python. Мощный синтаксис Python в сочетании с библиотекой массивов NumPy позволяет выполнять весьма сложные задачи моделирования. Например, последовательность расчётов может выполняться с использованием простой конструкции «цикла for». Расчёты энергии, сил, напряжений и других величин проводятся через интерфейсы со множеством внешних программ для расчётов электронной структуры или силовых полей, использующие единый интерфейс. Поверх этого интерфейса калькуляторов ASE предоставляет модули для выполнения многих стандартных задач моделирования, таких как оптимизация структуры, молекулярная динамика, обработка ограничений и расчёты методом упругой ленты с подталкиванием.
Key Findings
1
ASE — это программный пакет на Python для настройки, управления и анализа атомистических моделирований с использованием полностью скриптуемых рабочих процессов.
2
ASE предоставляет единый интерфейс к различным внешним кодам электронно-структурных расчётов и силовым полям для вычисления энергий, сил, напряжений и связанных величин.
3
Синтаксис Python и массивы NumPy позволяют реализовывать сложные процедуры моделирования, включая последовательности расчётов с помощью простых циклов.
4
Библиотека включает модули для стандартных задач атомистического моделирования, включая оптимизацию структуры, молекулярную динамику, работу с ограничениями и расчёты методом упругой ленты.
Research Object
Библиотека Atomic Simulation Environment (ASE) на Python для настройки, управления и анализа атомистических симуляций
Research Subject
Возможности ASE в области написания сценариев, интерфейсов к вычислительным модулям и выполнения задач моделирования, включая расчёт энергий, сил и напряжений, оптимизацию структур, молекулярную динамику, работу с ограничениями и расчёты методом упругой ленты с подталкиванием
Publication Details
Publication Date
2017-03-21
Journal
Publisher
ISSN
Cited by
5042
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Последовательная и точная аб initio параметризация поправки дисперсии для функционалов плотности (DFT-D) для 94 элементов H–Pu2010
Генетические алгоритмы в поиске, оптимизации и машинном обучении1989
Сравнение простых потенциальных функций для моделирования жидкой воды1983
Молекулярная динамика с внешним тепловым/давлением резервуаром1984
QUANTUM ESPRESSO: модульный программный проект с открытым исходным кодом для квантового моделирования материалов2009
Влияние функции затухания в теории функционала плотности с поправкой на дисперсию2011
Работы, цитирующие эту статью14
LAMMPS — гибкий инструмент моделирования материалов на основе частиц на атомном, мезоскопическом и континуальном масштабах2021
CP2K: программный пакет для расчетов электронной структуры и молекулярной динамики — Quickstep: эффективные и точные расчеты электронной структуры2020
Расширенные методы квантовой химии на основе tight-binding2020
DScribe: библиотека дескрипторов для машинного обучения в материаловедении2019
DeePMD-kit v2: программный пакет для моделей глубокого потенциала2023
Машинное обучение универсального межатомного потенциала для кремния2018
Машинное обучение для разработки и открытия гетерогенных катализаторов2018
ChatMOF: система искусственного интеллекта для предсказания и генерации металлоорганических каркасов с использованием больших языковых моделей2024
Ускоренное открытие наноферментов с активностью супероксиддисмутазы с помощью высокопроизводительного вычислительного скрининга2021
Взгляд на устойчивую разработку и интеграцию программного обеспечения для вычислительной химии2023
Модульные агенты на основе больших языковых моделей для многозадачной вычислительной материаловедческой науки2026
Инфраструктура с открытым исходным кодом на основе искусственного интеллекта для ускорения поиска материалов и передового производства2026
Искусственный интеллект для сложных каталитических систем: высокоэнтропийные сплавы в электрокаталитическом полугидрировании ацетилена2025
ChemGraph как агентная платформа для рабочих процессов вычислительной химии2026