aMACEing toolkit

Grundlegende maschinell gelernte Kraftfeldmodelle werden anhand von Strukturen aus großen Datenbanken trainiert und sollen Simulationen einer Vielzahl von Verbindungen ohne weitere Modifikationen ermöglichen. Ihre Genauigkeit lässt sich jedoch oft durch eine Feinabstimmung der Modelle unter Verwendung einer kleinen Menge verbindungsspezifischer Referenzdaten erheblich verbessern.
Bei unseren eigenen Feinabstimmungsbemühungen haben wir die Fragmentierung der aktuellen Software-Ökosysteme für maschinell gelernte Kraftfelder aus erster Hand erlebt. Dies war der Anlass für die Entwicklung unseres Python-basierten aMACEing-Toolkits [2], das Werkzeuge für die halbautomatische Feinabstimmung grundlegender maschinell gelernter Kraftfelder bereitstellt. Das Toolkit unterstützt die Generierung von Trainingsdaten, den Feinabstimmungsprozess selbst und die Ausführung maschinell gelernter kraftfeldbasierter Molekulardynamiksimulationen über mehrere Softwarepakete hinweg.
Das aMACEing-Toolkit für die halbautomatische Feinabstimmung mehrerer grundlegender maschinell gelernter Kraftfelder ist verfügbar unter
amaceing-toolkit.readthedocs.io