maml（材料机器学习）是一个Python包，旨在提供有用的高级接口，使材料科学的机器学习变得尽可能简单。

maml的目标不是重复其他包中已有的功能。maml依赖于如scikit-learn和tensorflow等成熟的包来实现机器学习算法，以及其他材料科学包如pymatgen和matminer来进行晶体/分子操作和特征生成。

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

特点

将材料（晶体和分子）转换为特征。除了常见的成分、位点和结构特征外，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（成分、位点和结构）

使用机器学习来学习特征和目标之间的关系。目前，maml支持sklearn和keras模型。
应用：

a) pes用于建模势能面，构建用于性质预测的代理模型。

i) 神经网络势（NNP） ii) 使用SOAP特征的高斯近似势（GAP） iii) 光谱邻域分析势（SNAP） iv) 矩张量势（MTP）

b) rfxas用于使用随机森林模型从X射线吸收光谱预测原子局部环境。

c) bowsr用于利用贝叶斯优化和代理能量模型进行快速结构弛豫。

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，你可以从源代码安装或从conda安装：

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

SNAP势包含在这个lammps安装中。运行相应的势需要GAP包（用于GAP）和MLIP包（用于MTP）。对于拟合NNP势，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

有许多关于使用的Jupyter笔记本。请参见notebooks。我们还在nanoHUB上提供了工具和教程讲座。

API文档

请参见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