DScribe: библиотека дескрипторов для машинного обучения в материаловедении

DScribe — программный пакет для машинного обучения, предоставляющий популярные преобразования признаков («дескрипторы») для моделирования материалов на атомистическом уровне. DScribe ускоряет применение машинного обучения для предсказания свойств на атомистическом уровне благодаря удобным готовым реализациям дескрипторов. В настоящее время пакет содержит реализации кулоновской матрицы, матрицы суммы Эвальда, синусной матрицы, многочастичного тензорного представления (Many-Body Tensor Representation, MBTR), центрированных на атоме симметрийных функций (Atom-Centered Symmetry Functions, ACSF) и гладкого перекрывания атомных позиций (Smooth Overlap of Atomic Positions, SOAP). Использование пакета проиллюстрировано двумя различными приложениями: предсказанием энергии образования твердых тел и предсказанием ионного заряда атомов в органических молекулах. Пакет свободно распространяется по открытой лицензии Apache 2.0. Название программы: DScribe. DOI файлов программы: http://dx.doi.org/10.17632/vzrs8n8pk6.1. Лицензионные положения: Apache-2.0. Язык программирования: Python/C/C++. Дополнительные материалы: дополнительная информация в формате PDF. Постановка задачи: применению машинного обучения в материаловедении препятствует отсутствие согласованных программных реализаций преобразований признаков. Эти преобразования признаков, также называемые дескрипторами, являются ключевым этапом построения моделей машинного обучения для предсказания свойств в материаловедении. Метод решения: разработана библиотека для создания распространенных дескрипторов, используемых в машинном обучении применительно к материаловедению. Реализованы следующие дескрипторы: кулоновская матрица, матрица суммы Эвальда, синусная матрица, многочастичное тензорное представление (MBTR), центрированные на атоме симметрийные функции (ACSF) и гладкое перекрывание атомных позиций (SOAP). Библиотека имеет интерфейс на Python, а вычислительно интенсивные процедуры реализованы на C или C++. Исходный код, учебные материалы и документация доступны онлайн. Настроен механизм непрерывной интеграции, автоматически выполняющий серию регрессионных тестов и проверяющий покрытие кода при обновлении кодовой базы.