best-of-atomistic-machine-learning
AI 解读 由 AI 自动生成，仅供参考
best-of-atomistic-machine-learning 是一个专注于原子尺度机器学习领域的开源项目精选榜单。它系统性地收集并整理了全球范围内优质的相关开源工具，涵盖从数据集、分子动力学模拟到生成式模型等 23 个细分类别，目前收录了超过 510 个项目。
在原子模拟与材料科学研究中，开发者常面临工具分散、质量参差不齐且难以甄选的痛点。best-of-atomistic-machine-learning 通过一套自动化的“项目质量评分”机制，依据 GitHub 活跃度、社区关注度等多维指标对项目进行权威排名，帮助用户快速锁定高价值资源，极大提升了技术选型效率。
该资源特别适合计算材料学研究人员、AI 算法工程师以及化学领域的开发者使用。无论是希望复现前沿论文成果，还是寻找可靠的底层库来构建新模型，用户都能在此找到经过社区验证的解决方案。其独特亮点在于不仅关注传统的势函数拟合与电子结构计算，还紧跟趋势纳入了大语言模型在材料发现中的应用，同时保持定期更新，确保列表的时效性与前瞻性。对于想要进入原子机器学习领域的新手，它也是一份极佳的学习路线图。
使用场景
某材料科学实验室的研究团队正致力于利用机器学习加速新型电池电解质的发现，需要从海量开源项目中筛选出高质量的原子级机器学习模型进行集成。
没有 best-of-atomistic-machine-learning 时
- 检索效率低下：研究人员需在 GitHub 上盲目搜索关键词，耗费数天时间才能从零散结果中拼凑出潜在可用的项目列表。
- 质量评估困难：面对数百个相似仓库，缺乏统一标准来判断哪些项目代码活跃、文档完善或经过社区验证，极易踩坑选用已废弃的代码。
- 领域覆盖不全：由于不熟悉细分方向（如 ML-DFT 或分子动力学），容易遗漏关键类别的工具，导致技术选型存在盲区，影响实验设计的完整性。
- 更新追踪滞后：难以实时掌握领域内最新突破，往往在模型训练中途才发现已有更先进的算法发布，造成算力与时间的双重浪费。
使用 best-of-atomistic-machine-learning 后
- 一键获取精选列表：直接访问该清单，瞬间获得涵盖 23 个分类、总计 510 个经过严格排序的优质项目，将调研周期从数天缩短至几小时。
- 量化指标辅助决策：依托自动计算的项目质量评分和星标数据，团队能快速锁定高活跃度、高可靠性的库（如 Interatomic Potentials 类的前几名），大幅降低试错成本。
- 全景式技术视野：通过清晰的分类目录（从主动学习到生成模型），研究人员能系统性发现原本忽略的关键工具，确保技术栈的全面性与前沿性。
- 动态同步前沿进展：借助定期更新的机制，团队可随时查看最新发布的项目，确保研究方案始终基于当前最先进的原子级机器学习技术。
best-of-atomistic-machine-learning 通过提供结构化、可量化的权威指南，将科研人员从繁琐的信息筛选中解放出来，使其能专注于核心的科学创新。
运行环境要求
操作系统
- 未说明
GPU
未说明
内存
未说明
依赖
notes该仓库是一个原子机器学习（AML）开源项目的精选列表（Curated List），本身不是一个可运行的软件工具，因此没有特定的运行环境、GPU 或内存需求。列表中包含了 510 个不同的子项目（如 DP-GEN, FLARE, Bgolearn 等），每个子项目都有各自独立的安装要求和依赖库（部分支持 pip 或 conda 安装）。用户需根据列表中具体感兴趣的项目前往其对应仓库查看详细的运行环境需求。
python未说明
快速开始
原子尺度机器学习精选 ⚛️🧬💎
🏆 一份精彩的原子尺度机器学习（AML）项目排行榜，定期更新。
这份精选列表收录了510个优秀的开源项目，总计获得24万颗星，并按23个类别进行分类。所有项目均依据项目质量评分进行排名，该评分基于从GitHub及各类包管理器自动收集的多项指标计算得出。如果您希望添加或更新项目，请随时打开一个issue，提交一个pull request，或直接编辑projects.yaml。
目前，本列表的重点更多在于模拟数据而非实验数据，以及材料科学而非药物设计。尽管如此，我们仍热烈欢迎来自其他领域的贡献！
如何引用。 请参阅右侧边栏中的“引用此仓库”按钮。
🧙♂️ 探索其他best-of 列表，或创建您自己的列表。
目录
- 主动学习 9个项目
- 社区资源 38个项目
- 数据集 55个项目
- 数据结构 4个项目
- 密度泛函理论（ML-DFT） 39个项目
- 教育资源 32个项目
- 可解释人工智能（XAI） 4个项目
- 电子结构方法（ML-ESM） 6个项目
- 通用工具 24个项目
- 生成模型 17个项目
- 原子间势能（ML-IAP） 78个项目
- 语言模型 25个项目
- 材料发现 13个项目
- 数学工具 13个项目
- 分子动力学 15个项目
- 概率性机器学习 1个项目
- 强化学习 2个项目
- 表征工程 31个项目
- 表征学习 63个项目
- 通用势能 19个项目
- 无监督学习 10个项目
- 可视化 6个项目
- 波函数方法（ML-WFT） 7个项目
- 其他 1个项目
解释
- 🥇🥈🥉 综合项目质量评分
- ⭐️ GitHub上的星数
- 🐣 新项目 (不足6个月)
- 💤 非活跃项目 (6个月内无活动)
- 💀 已停止维护的项目 (12个月内无活动)
- 📈📉 项目趋势向上或向下
- ➕ 最近新增的项目
- 👨💻 GitHub上的贡献者数量
- 🔀 GitHub上的分支数量
- 📋 GitHub上的问题数量
- ⏱️ 包管理器上最后更新的时间戳
- 📥 包管理器上的下载次数
- 📦 依赖该项目的其他项目数量
主动学习
专注于支持主动学习、原子尺度机器学习迭代式学习方案的项目。
FLARE (🥈18 · ⭐ 350) - 一个开源的Python库，用于构建快速且精确的原子间势能模型。 MIT C++ ML-IAP
GitHub (👨💻 44 · 🔀 78 · 📥 9 · 📦 12 · 📋 220 - 14% 开放 · ⏱️ 30.01.2026):
git clone https://github.com/mir-group/flare
DP-GEN2 (🥉14 · ⭐ 40) - 第二代深度势能生成器。 LGPL-3.0 ML-IAP MD 工作流
GitHub (👨💻 19 · 🔀 36 · 📦 6 · 📋 46 - 39% 开放 · ⏱️ 11.03.2026):
git clone https://github.com/deepmodeling/dpgen2
显示 4 个隐藏项目...
社区资源
收集原子尺度机器学习资源或促进社区交流的项目。
🔗 ACE / GRACE 支持 - 原子簇展开（ACE）及其扩展的支持论坛。
🔗 AI for Science 地图 - AI4Science 研究领域的交互式思维导图，包括原子尺度机器学习、论文等。
🔗 ASE 生态系统 - 这是与 ASE 相关或使用 ASE 的软件包列表。 md, ml-iap
🔗 原子簇展开 - 原子簇展开（ACE）社区主页。
🔗 CrystaLLM - 根据化学组成生成晶体结构。 语言模型 生成式 预训练 Transformer
🔗 GAP-ML.org 社区主页 ML-IAP
🔗 matsci.org - 一个社区论坛，讨论任何材料科学相关话题，尤其侧重于计算材料科学。
🔗 物质建模 Stack Exchange - 机器学习 - Matter Modeling 网站上的 StackExchange 论坛，专门针对机器学习相关问题。
Python 机器学习最佳库 (🥇21 · ⭐ 23K) - 一份每周更新的优秀 Python 机器学习库排名列表。 CC-BY-4.0 通用机器学习 Python
- GitHub (👨💻 57 · 🔀 3K · 📋 63 - 46% 开放 · ⏱️ 22.03.2026):
git clone https://github.com/ml-tooling/best-of-ml-python
```
</details>
<details><summary><b><a href="https://github.com/janosh/matbench-discovery">MatBench Discovery</a></b> (🥇21 · ⭐ 220) - 一个用于评估模拟高通量材料发现的机器学习模型的评测框架。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>数据集</code> <code>基准测试</code> <code>模型库</code></summary>
- [GitHub](https://github.com/janosh/matbench-discovery) (👨💻 28 · 🔀 53 · 📦 5 · 📋 70 - 1% 开源 · ⏱️ 25.03.2026):
```
git clone https://github.com/janosh/matbench-discovery
```
- [PyPi](https://pypi.org/project/matbench-discovery) (📥 2.8K / 月):
```
pip install matbench-discovery
```
</details>
<details><summary><b><a href="https://github.com/openml/OpenML">OpenML</a></b> (🥇20 · ⭐ 730) - 开放式机器学习。 <code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code> <code>数据集</code></summary>
- [GitHub](https://github.com/openml/OpenML) (👨💻 35 · 🔀 120 · 📋 960 - 40% 开源 · ⏱️ 23.01.2026):
```
git clone https://github.com/openml/OpenML
```
</details>
<details><summary><b><a href="https://thegardens.ai/">Garden</a></b> (🥈18 · ⭐ 38) - FAIR AI/ML 模型发布框架。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>模型库</code></summary>
- [GitHub](https://github.com/Garden-AI/garden) (👨💻 14 · 🔀 4 · 📦 6 · 📋 380 - 3% 开源 · ⏱️ 18.03.2026):
```
git clone https://github.com/Garden-AI/garden
```
- [PyPi](https://pypi.org/project/garden-ai) (📥 450 / 月 · ⏱️ 18.03.2026):
```
pip install garden-ai
```
</details>
<details><summary><b><a href="https://github.com/naganandy/graph-based-deep-learning-literature">基于图的深度学习文献</a></b> (🥈17 · ⭐ 5K) - 提供关于基于图的深度学习领域会议论文的链接。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>通用机器学习</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a></summary>
- [GitHub](https://github.com/naganandy/graph-based-deep-learning-literature) (👨💻 12 · 🔀 750 · ⏱️ 07.02.2026):
```
git clone https://github.com/naganandy/graph-based-deep-learning-literature
```
</details>
<details><summary><b><a href="https://github.com/divelab/AIRS/blob/main/Overview/resources.md">科学人工智能资源</a></b> (🥈14 · ⭐ 740) - 包含学习资源在内的 AI4Science 研究资源列表。 <code><a href="https://tldrlegal.com/search?q=GPL-3.0%20license">GPL-3.0 许可证</a></code></summary>
- [GitHub](https://github.com/divelab/AIRS) (👨💻 36 · 🔀 88 · 📋 32 - 18% 开源 · ⏱️ 14.03.2026):
```
git clone https://github.com/divelab/AIRS
```
</details>
<details><summary><b><a href="https://huggingface.co/GT4SD">GT4SD - 科学发现生成工具包</a></b> (🥈14 · ⭐ 370) - GT4SD 中生成模型的 Gradio 应用程序。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Generative_model"><code>生成</code></a> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a> <code>模型库</code></summary>
- [GitHub](https://github.com/GT4SD/gt4sd-core) (👨💻 20 · 🔀 78 · 📋 110 - 1% 开源 · ⏱️ 18.09.2025):
```
git clone https://github.com/GT4SD/gt4sd-core
```
</details>
<details><summary><b><a href="https://github.com/Eipgen/Neural-Network-Models-for-Chemistry">化学领域的神经网络模型</a></b> (🥈13 · ⭐ 180) - 化学领域神经网络模型的集合。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a></summary>
- [GitHub](https://github.com/Eipgen/Neural-Network-Models-for-Chemistry) (👨💻 3 · 🔀 24 · 📋 2 - 50% 开源 · ⏱️ 05.02.2026):
```
git clone https://github.com/Eipgen/Neural-Network-Models-for-Chemistry
```
</details>
<details><summary><b><a href="https://next-gen.materialsproject.org/materials/gnome">GNoME 浏览器</a></b> (🥈12 · ⭐ 1.2K · 💤) - 用于材料探索的图网络数据库。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code> <code>数据集</code> <a href="https://www.psik2022.net/program/symposia#h.p_hM6hJbQD9dex"><code>材料发现</code></a></summary>
- [GitHub](https://github.com/google-deepmind/materials_discovery) (👨💻 2 · 🔀 180 · 📋 25 - 84% 开源 · ⏱️ 03.03.2025):
```
git clone https://github.com/google-deepmind/materials_discovery
```
</details>
<details><summary><b><a href="https://github.com/tilde-lab/awesome-materials-informatics">优秀材料信息学</a></b> (🥈12 · ⭐ 500 · 💤) - 材料信息学领域已知工作的精选列表，即现代材料科学中的相关工作。 <code><a href="https://github.com/tilde-lab/awesome-materials-informatics#license">自定义许可</a></code></summary>
- [GitHub](https://github.com/tilde-lab/awesome-materials-informatics) (👨💻 21 · 🔀 100 · ⏱️ 19.06.2025):
```
git clone https://github.com/tilde-lab/awesome-materials-informatics
```
</details>
<details><summary><b><a href="https://github.com/yuzhimanhua/Awesome-Scientific-Language-Models">优秀科学语言模型</a></b> (🥈10 · ⭐ 650 · 💤) - 关于科学大型语言模型及其在科学发现中应用的全面综述（EMNLP24）。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Language_model"><code>语言模型</code></a> <code>通用机器学习</code> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Multimodal_learning"><code>多模态</code></a></summary>
- [GitHub](https://github.com/yuzhimanhua/Awesome-Scientific-Language-Models) (👨💻 9 · 🔀 36 · ⏱️ 21.06.2025):
```
git clone https://github.com/yuzhimanhua/Awesome-Scientific-Language-Models
```
</details>
<details><summary><b><a href="https://github.com/blaiszik/awesome-matchem-datasets">优秀材料与化学数据集</a></b> (🥈10 · ⭐ 290) - 精选了材料科学和化学领域中用于训练机器学习和人工智能的最有用的数据集。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>数据集</code> <a href="https://en.wikipedia.org/wiki/Experimental_physics"><code>实验数据</code></a> <code>文献数据</code> <a href="https://en.wikipedia.org/wiki/Proprietary_software"><code>专有数据</code></a></summary>
- [GitHub](https://github.com/blaiszik/awesome-matchem-datasets) (👨💻 9 · 🔀 34 · 📋 15 - 26% 开源 · ⏱️ 22.03.2026):
```
git clone https://github.com/blaiszik/awesome-matchem-datasets
```
</details>
<details><summary><b><a href="https://github.com/smsharma/awesome-neural-sbi">优秀神经 SBI</a></b> (🥉9 · ⭐ 150) - 社区贡献的关于基于神经网络的仿真推断的论文和资源列表。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a></summary>
- [GitHub](https://github.com/smsharma/awesome-neural-sbi) (👨💻 7 · 🔀 8 · 📋 2 - 50% 开放 · ⏱️ 28.01.2026):
```
git clone https://github.com/smsharma/awesome-neural-sbi
```
</details>
<details><summary><b><a href="https://optimade.science">optimade.science</a></b> (🥉9 · ⭐ 10) - 一个基于 Optimade 的天空扫描器纯浏览器 GUI。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>datasets</code></summary>
- [GitHub](https://github.com/tilde-lab/optimade.science) (👨💻 8 · 🔀 4 · 📋 26 - 26% 开放 · ⏱️ 04.11.2025):
```
git clone https://github.com/tilde-lab/optimade.science
```
</details>
<details><summary><b><a href="https://github.com/neurreps/awesome-neural-geometry">Awesome Neural Geometry</a></b> (🥉8 · ⭐ 1.1K) - 一个精心整理的资源和研究集合，涉及大脑、深度网络中表征的几何学…… <code>Unlicensed</code> <code>educational</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>rep-learn</code></a></summary>
- [GitHub](https://github.com/neurreps/awesome-neural-geometry) (👨💻 16 · 🔀 70 · ⏱️ 24.02.2026):
```
git clone https://github.com/neurreps/awesome-neural-geometry
```
</details>
<details><summary><b><a href="https://github.com/sedaoturak/data-resources-for-materials-science">材料科学数据库与数据集资源合集</a></b> (🥉8 · ⭐ 420) - 一份包含可用于机器学习的材料性能数据库、数据集以及书籍/手册的列表…… <code>Unlicensed</code> <code>datasets</code></summary>
- [GitHub](https://github.com/sedaoturak/data-resources-for-materials-science) (👨💻 2 · 🔀 58 · ⏱️ 06.03.2026):
```
git clone https://github.com/sedaoturak/data-resources-for-materials-science
```
</details>
<details><summary><b><a href="https://github.com/AI4QC/AI_for_Science_paper_collection">科学领域人工智能论文集</a></b> (🥉8 · ⭐ 160) - 列出被顶级会议接收的科学领域人工智能相关论文。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code></summary>
- [GitHub](https://github.com/AI4QC/AI_for_Science_paper_collection) (👨💻 7 · 🔀 16 · ⏱️ 24.09.2025):
```
git clone https://github.com/sherrylixuecheng/AI_for_Science_paper_collection
```
</details>
<details><summary><b><a href="https://github.com/blaiszik/ml_publication_charts">科学领域机器学习出版物图表</a></b> (🥉8 · ⭐ 47) - 对机器学习在材料科学、化学、物理等领域应用的文献分析。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>literature-data</code> <code>general-ml</code></summary>
- [GitHub](https://github.com/blaiszik/ml_publication_charts) (👨💻 2 · ⏱️ 10.03.2026):
```
git clone https://github.com/blaiszik/ml_publication_charts
```
</details>
<details><summary><b><a href="https://github.com/deepmodeling/deepmodeling-projects">DeepModeling 项目</a></b> (🥉8 · ⭐ 8) - DeepModeling 相关项目。 <code><a href="https://tldrlegal.com/search?q=CC-BY-4.0">CC-BY-4.0</a></code></summary>
- [GitHub](https://github.com/deepmodeling/deepmodeling-projects) (👨💻 4 · 🔀 2 · ⏱️ 26.02.2026):
```
git clone https://github.com/deepmodeling/deepmodeling-projects
```
</details>
<details><summary><b><a href="https://github.com/kdmsit/Awesome-Crystal-GNNs">Awesome-Crystal-GNNs</a></b> (🥉7 · ⭐ 120) - 本仓库收录了关于晶体固态材料上 GNN 模型的相关资源和论文。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/kdmsit/Awesome-Crystal-GNNs) (👨💻 2 · 🔀 13 · ⏱️ 09.03.2026):
```
git clone https://github.com/kdmsit/Awesome-Crystal-GNNs
```
</details>
<details><summary>显示 10 个隐藏项目...</summary>
- <b><a href="https://github.com/materialsproject/matbench">MatBench</a></b> (🥈18 · ⭐ 190 · 💀) - Matbench：用于材料科学性质预测的基准测试。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>数据集</code> <code>基准测试</code> <code>模型库</code>
- <b><a href="https://molformer.res.ibm.com/">MoLFormers UI</a></b> (🥉9 · ⭐ 390 · 💀) - 一系列基于化学品训练的基础模型。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>变换器</code></a> <a href="https://en.wikipedia.org/wiki/Language_model"><code>语言模型</code></a> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a>
- <b><a href="https://github.com/yuanqidu/awesome-graph-generation">Awesome-Graph-Generation</a></b> (🥉8 · ⭐ 360 · 💀) - 一份精选的最新图生成论文和资源列表。 <code>未授权</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a>
- <b><a href="https://github.com/ncfrey/resources">高度主观的开源材料信息学资源列表</a></b> (🥉8 · ⭐ 150 · 💀) - 一份高度主观的开源材料信息学资源列表。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="MADICES/MADICES.github.io/blob/main/docs/awesome_interoperability.md">MADICES Awesome Interoperability</a></b> (🥉7 · ⭐ 1) - 化学科学中机器可操作数据互操作性的关联数据互操作性资源。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>数据集</code>
- <b><a href="https://bohrium.dp.tech/competitions/8821838186">LAM晶体集邮比赛2024</a></b> (🥉5 · ⭐ 22 · 💀) - OpenLAM挑战赛：晶体结构预测 https://arxiv.org/abs/2501.16358。 <code><a href="https://tldrlegal.com/search?q=LGPL-2.1">LGPL-2.1</a></code> <code>单篇论文</code> <code>数据集</code> <code>结构预测</code> <a href="https://www.psik2022.net/program/symposia#h.p_hM6hJbQD9dex"><code>材料发现</code></a> <code>ML-IAP</code> <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a>
- <b><a href="https://github.com/AlexDuvalinho/geometric-gnns">Geometric-GNNs</a></b> (🥉4 · ⭐ 120 · 💀) - 用于三维原子系统的几何GNN列表。 <code>未授权</code> <code>数据集</code> <code>教育</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a>
- <b><a href="https://thismaterialdoesnotexist.com/">这种材料存在吗？</a></b> (🥉3 · ⭐ 18 · 💀) - 投票决定你认为预测的晶体结构是否可以被合成。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>娱乐</code> <a href="https://www.psik2022.net/program/symposia#h.p_hM6hJbQD9dex"><code>材料发现</code></a>
- <b><a href="https://github.com/topics/materials-informatics">GitHub主题：材料信息学</a></b> (🥉1) - GitHub主题：材料信息学。 <code>未授权</code>
- <b><a href="https://ma.issp.u-tokyo.ac.jp/en/">MateriApps</a></b> (🥉1) - 材料科学模拟门户网站。 <code>未授权</code>
</details>
<br>
## 数据集
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_用于原子尺度机器学习的数据集、数据库和训练好的模型。_
🔗 <b><a href="https://alexandria.icams.rub.de/">亚历山大里亚材料数据库</a></b> - 一个由机器学习加速发现的包含数百万个理论晶体结构（3D、2D和1D）的数据库。
🔗 <b><a href="https://www.catalysis-hub.org/">催化中心</a></b> - 一个用于共享计算催化研究数据和软件的网络平台！
🔗 <b><a href="https://citrination.com/">Citrination数据集</a></b> - 基于人工智能的材料数据平台。开放版Citrination已停止服务。
🔗 <b><a href="https://crystals.ai/">crystals.ai</a></b> - 为材料科学中的可重复性人工智能精心整理的数据集。
🔗 <b><a href="https://huggingface.co/DeepChem">DeepChem模型</a></b> - DeepChem在HuggingFace上的模型。 <code>模型库</code> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Language_model"><code>语言模型</code></a>
🔗 <b><a href="https://figshare.com/articles/dataset/Graphs_of_Materials_Project_20190401/8097992">材料项目图谱20190401</a></b> - 用于训练MEGNet原子间势能的数据集。 <code>ML-IAP</code>
🔗 <b><a href="https://doi.org/10.6084/m9.figshare.19658538">HME21数据集</a></b> - 高温多元素2021年数据集，用于优先势能（PFP）。 <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a>
🔗 <b><a href="https://pages.nist.gov/jarvis_leaderboard/">JARVIS排行榜</a></b> ( ⭐ 72 · 💤) - 一项大规模的材料设计方法基准测试：https://www.nature.com/articles/s41524-024-01259-w。 <code>模型库</code> <code>基准测试</code> <code>社区资源</code> <code>教育</code>
🔗 <b><a href="https://materialsproject.org/ml/charge_densities">材料项目——电荷密度</a></b> - 材料项目已开始通过其公共API提供可供下载的电荷密度信息。
🔗 <b><a href="https://figshare.com/articles/dataset/Materials_Project_Trjectory_MPtrj_Dataset/23713842">材料项目轨迹（MPtrj）数据集</a></b> - 用于训练CHGNet通用势能的数据集。 <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a>
🔗 <b><a href="https://matterverse.ai/">matterverse.ai</a></b> - 一个使用最先进机器学习算法预测的尚未合成材料的数据库。
🔗 <b><a href="https://figshare.com/articles/dataset/MPF_2021_2_8/19470599">MPF.2021.2.8</a></b> - 用于训练M3GNet通用势能的数据集。 <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a>
🔗 <b><a href="https://materials.nrel.gov/">NRELMatDB</a></b> - 计算材料数据库，特别关注可再生能源应用中的材料，包括但不限于……
🔗 <b><a href="https://data.dtu.dk/articles/dataset/QM9_Charge_Densities_and_Energies_Calculated_with_VASP/16794500">QM9电荷密度和能量</a></b> - 使用VASP结合原子模拟环境计算的QM9分子。 <code>ML-DFT</code>
🔗 <b><a href="https://doi.org/10.6084/m9.figshare.25993060.v1">QM40数据集</a></b> - 一个更贴近现实的分子科学机器学习数据集 https://doi.org/10.1038/s41597-024-04206-y。 <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a>
🔗 <b><a href="CC-BY-3.0">QMugs dataset</a></b> - Quantum Mechanical Properties of Drug-like Molecules https://doi.org/10.1038/s41597-022-01390-7. <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>drug-discovery</code></a>
🔗 <b><a href="http://quantum-machine.org/datasets/">Quantum-Machine.org Datasets</a></b> - Collection of datasets, including QM7, QM9, etc. MD, DFT. Small organic molecules, mostly.
🔗 <b><a href="http://sgdml.org/#datasets">sGDML Datasets</a></b> - MD17, MD22, DFT datasets.
🔗 <b><a href="https://moleculenet.org/">MoleculeNet</a></b> - A Benchmark for Molecular Machine Learning. <code>benchmarking</code>
🔗 <b><a href="https://zinc15.docking.org/">ZINC15</a></b> - A free database of commercially-available compounds for virtual screening. ZINC contains over 230 million purchasable.. <code>graph</code> <a href="https://en.wikipedia.org/wiki/Biomolecule"><code>biomolecules</code></a>
🔗 <b><a href="https://zinc.docking.org/">ZINC20</a></b> - A free database of commercially-available compounds for virtual screening. ZINC contains over 230 million purchasable.. <code>graph</code> <a href="https://en.wikipedia.org/wiki/Biomolecule"><code>biomolecules</code></a>
<details><summary><b><a href="https://github.com/facebookresearch/fairchem">FAIR Chemistry datasets</a></b> (🥇27 · ⭐ 2K · 📉) - Datasets OC20, OC22, etc. Formerly known as Open Catalyst Project. <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Catalysis"><code>catalysis</code></a></summary>
- [GitHub](https://github.com/facebookresearch/fairchem) (👨💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):
```
git clone https://github.com/FAIR-Chem/fairchem
```
- [PyPi](https://pypi.org/project/fairchem-core) (📥 32K / month):
```
pip install fairchem-core
```
</details>
<details><summary><b><a href="https://huggingface.co/datasets/fairchem/OMAT24">Meta Open Materials 2024 (OMat24) Dataset</a></b> (🥇26 · ⭐ 2K) - Contains over 100 million Density Functional Theory calculations focused on structural and compositional diversity. <code><a href="https://tldrlegal.com/search?q=CC-BY-4.0">CC-BY-4.0</a></code></summary>
- [GitHub](https://github.com/facebookresearch/fairchem) (👨💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):
```
git clone https://github.com/FAIR-Chem/fairchem
```
- [PyPi](https://pypi.org/project/fairchem-core) (📥 32K / month):
```
pip install fairchem-core
```
</details>
<details><summary><b><a href="https://github.com/materialsproject/MPContribs">MPContribs</a></b> (🥇25 · ⭐ 39) - Platform for materials scientists to contribute and disseminate their materials data through Materials Project. <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/materialsproject/MPContribs) (👨💻 29 · 🔀 26 · 📦 58 · 📋 100 - 19% open · ⏱️ 26.02.2026):
```
git clone https://github.com/materialsproject/MPContribs
```
- [PyPi](https://pypi.org/project/mpcontribs-client) (📥 6.6K / month):
```
pip install mpcontribs-client
```
</details>
<details><summary><b><a href="https://github.com/Materials-Consortia/optimade-python-tools">OPTIMADE Python tools</a></b> (🥇23 · ⭐ 89) - Tools for implementing and consuming OPTIMADE APIs in Python. <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/Materials-Consortia/optimade-python-tools) (👨💻 34 · 🔀 50 · 📋 500 - 22% open · ⏱️ 02.03.2026):
```
git clone https://github.com/Materials-Consortia/optimade-python-tools
```
- [PyPi](https://pypi.org/project/optimade) (📥 21K / month · 📦 4 · ⏱️ 13.02.2026):
```
pip install optimade
```
- [Conda](https://anaconda.org/conda-forge/optimade) (📥 170K · ⏱️ 13.02.2026):
```
conda install -c conda-forge optimade
```
</details>
<details><summary><b><a href="https://github.com/jla-gardner/load-atoms">load-atoms</a></b> (🥈19 · ⭐ 48) - download and manipulate atomistic datasets. <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>data-structures</code></summary>
- [GitHub](https://github.com/jla-gardner/load-atoms) (👨💻 5 · 🔀 5 · 📦 8 · 📋 35 - 14% open · ⏱️ 25.11.2025):
```
git clone https://github.com/jla-gardner/load-atoms
```
- [PyPi](https://pypi.org/project/load-atoms) (📥 150K / month · 📦 3 · ⏱️ 25.11.2025):
```
pip install load-atoms
```
</details>
<details><summary><b><a href="https://github.com/Materials-Consortia/OPTIMADE">Open Databases Integration for Materials Design (OPTIMADE)</a></b> (🥈17 · ⭐ 100) - Specification of a common REST API for access to materials databases. <code><a href="https://tldrlegal.com/search?q=CC-BY-4.0">CC-BY-4.0</a></code></summary>
- [GitHub](https://github.com/Materials-Consortia/OPTIMADE) (👨💻 24 · 🔀 37 · 📋 260 - 30% open · ⏱️ 18.12.2025):
```
git clone https://github.com/Materials-Consortia/OPTIMADE
```
</details>
<details><summary><b><a href="https://github.com/divelab/AIRS/tree/main/OpenDFT/QHBench/QH9">QH9</a></b> (🥈14 · ⭐ 740) - A Quantum Hamiltonian Prediction Benchmark. <code><a href="https://tldrlegal.com/search?q=CC-BY-NC-SA-4.0">CC-BY-NC-SA-4.0</a></code> <code>ML-DFT</code></summary>
- [GitHub](https://github.com/divelab/AIRS) (👨💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):
```
git clone https://github.com/divelab/AIRS
```
</details>
<details><summary><b><a href="https://www.openqdc.io/">OpenQDC</a></b> (🥈14 · ⭐ 60 · 💤) - Repository of Quantum Datasets Publicly Available. <code><a href="https://tldrlegal.com/search?q=CC-BY-4.0">CC-BY-4.0</a></code></summary>
- [GitHub](https://github.com/valence-labs/OpenQDC) (👨💻 10 · 🔀 5 · 📦 4 · 📋 50 - 18% open · ⏱️ 19.06.2025):
```
git clone https://github.com/valence-labs/openQDC
```
- [PyPi](https://pypi.org/project/openqdc) (📥 140 / month):
```
pip install openqdc
```
- [Conda](https://anaconda.org/conda-forge/openqdc) (📥 2.1K · ⏱️ 22.04.2025):
```
conda install -c conda-forge openqdc
```
</details>
<details><summary><b><a href="https://openkim.org/">OpenKIM</a></b> (🥈13 · ⭐ 37) - The Open Knowledgebase of Interatomic Models (OpenKIM) aims to be an online resource for standardized testing, long-.. <code><a href="https://tldrlegal.com/search?q=LGPL-2.1">LGPL-2.1</a></code> <code>model-repository</code> <a href="https://en.wikipedia.org/wiki/Knowledge_base"><code>knowledge-base</code></a> <code>pretrained</code></summary>
- [GitHub](https://github.com/openkim/kim-api) (👨💻 27 · 🔀 18 · 📋 37 - 40% open · ⏱️ 06.03.2026):
git clone https://github.com/openkim/kim-api
```
nablaDFT (🥈12 · ⭐ 230) - nablaDFT: Large-Scale Conformational Energy and Hamiltonian Prediction benchmark and dataset. MIT ML-DFT ML-WFT drug-discovery ML-IAP benchmarking
GitHub (👨💻 9 · 🔀 26 · 📋 28 - 10% open · ⏱️ 31.12.2025):
git clone https://github.com/AIRI-Institute/nablaDFT
SPICE (🥈12 · ⭐ 190) - A collection of QM data for training potential functions. MIT ML-IAP MD
GitHub (🔀 11 · 📥 340 · 📋 74 - 25% open · ⏱️ 25.02.2026):
git clone https://github.com/openmm/spice-dataset
MPDS API (🥈10 · ⭐ 26) - Tutorials, notebooks, issue tracker, and website on the MPDS API: the data retrieval interface for the Materials.. CC-BY-4.0 phase-transition
OBELiX (🥉9 · ⭐ 51) - A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State.. CC-BY-4.0 experimental-data transport-phenomena
AIS Square (🥉9 · ⭐ 15) - A collaborative and open-source platform for sharing AI for Science datasets, models, and workflows. Home of the.. LGPL-3.0 community-resource model-repository
GitHub (👨💻 8 · 🔀 8 · 📋 6 - 83% open · ⏱️ 23.03.2026):
git clone https://github.com/deepmodeling/AIS-Square
polyVERSE (🥉8 · ⭐ 31) - polyVERSE is a comprehensive repository of informatics-ready datasets curated by the Ramprasad Group. Custom soft-matter
GitHub (👨💻 9 · 🔀 6 · ⏱️ 21.01.2026):
git clone https://github.com/Ramprasad-Group/polyVERSE
Visual Graph Datasets (🥉6 · ⭐ 5) - Datasets for the training of graph neural networks (GNNs) and subsequent visualization of attributional explanations.. MIT XAI rep-learn
GitHub (👨💻 2 · 🔀 3 · ⏱️ 24.03.2026):
git clone https://github.com/aimat-lab/visual_graph_datasets
The Perovskite Database Project (🥉5 · ⭐ 70) - Perovskite Database Project aims at making all perovskite device data, both past and future, available in a form.. Unlicensed community-resource
GitHub (👨💻 2 · 🔀 26 · ⏱️ 20.03.2026):
git clone https://github.com/Jesperkemist/perovskitedatabase
GDB-9-Ex9 and ORNL_AISD-Ex (🥉5 · ⭐ 10 · 💤) - Distributed computing workflow for generation and analysis of large scale molecular datasets obtained running multi-.. Unlicensed
GitHub (👨💻 7 · 🔀 6 · ⏱️ 12.03.2025):
git clone https://github.com/ORNL/Analysis-of-Large-Scale-Molecular-Datasets-with-Python
Show 15 hidden projects...
- ATOM3D (亚军19 · ⭐ 320 · 💀) - ATOM3D：针对三维分子的任务。
MIT生物分子基准测试 - 材料数据设施（MDF） (亚军10 · ⭐ 10 · 💀) - 一种发布、发现和访问材料数据集的简单方式。支持超大数据集的发布（例如，..
Apache-2 - MoleculeNet排行榜 (季军9 · ⭐ 100 · 💀) -
MIT基准测试 - 2DMD数据集 (季军9 · ⭐ 8 · 💀) - Kazeev, N., Al-Maeeni, A.R., Romanov, I. 等人的代码，用于稀疏表示以机器学习材料的性质……
Apache-2材料缺陷 - ANI-1数据集 (季军8 · ⭐ 100 · 💀) - 一个包含2000万个有机分子非平衡构象计算数据的数据集。
MIT - GEOM (季军7 · ⭐ 240 · 💀) - GEOM：带有能量标注的分子构象。
未授权药物发现 - ANI-1x数据集 (季军6 · ⭐ 67 · 💀) - ANI-1ccx和ANI-1x数据集，分别包含有机分子的耦合簇和密度泛函理论性质。
MIT - COMP6基准数据集 (季军6 · ⭐ 40 · 💀) - 用于机器学习势能的COMP6基准数据集。
MIT - SciGlass (季军6 · ⭐ 15 · 💀) - 该数据库包含大量关于玻璃材料性能的数据。
MIT - OPTIMADE提供商仪表盘 (季军5 · ⭐ 2 · 💤) - 已知提供商的仪表盘。
未授权 - 3DSC数据库 (季军4 · ⭐ 24 · 💀) - 用于发表包含3D晶体结构的超导体数据库论文的仓库。
自定义超导体材料发现 - paper-data-redundancy (季军4 · ⭐ 11 · 💀) - 用于发表“利用大型材料数据集中的冗余信息，以更少的数据实现高效机器学习”论文的仓库。
BSD-3小数据单篇论文 - 线性回归基准数据集 (季军4 · ⭐ 1 · 💀) - 用于线性回归基准测试的数据集。
MIT基准测试单篇论文 - nep-data (季军3 · ⭐ 21 · 💀) - 与GPUMD的NEP机器学习势能相关的数据。
未授权ML-IAPMD传输现象 - tmQM_wB97MV数据集 (冠军1 · ⭐ 9 · 💀) - 用于应用大型图神经网络预测过渡金属配合物能量的代码，使用tmQM_wB97MV……
未授权催化特征学习
数据结构
专注于提供原子尺度机器学习中使用的数据结构的项目。
Metatensor (亚军22 · ⭐ 98) - 自描述的稀疏张量数据格式，适用于原子尺度机器学习及其他领域。 BSD-3 ML-IAP MD Rust C语言 C++ Python
dlpack (季军17 · ⭐ 1.2K) - 一种通用的内存中张量结构。 Apache-2 C++
GitHub (👨💻 33 · 🔀 160 · 📋 85 - 28%开放 · ⏱️ 24.01.2026):
git clone https://github.com/dmlc/dlpack
密度泛函理论 (ML-DFT)
专注于密度泛函理论相关量的项目和模型，例如密度泛函近似（ML-DFA）、电荷密度、态密度、哈密顿量等。
🔗 IKS-PIML - 用于论文“利用物理信息驱动的机器学习反演Kohn-Sham方程”的代码及生成数据。 neural-operator pinn datasets single-paper
🔗 M-OFDFT - 利用深度学习克服分子体系中无轨道密度泛函理论的障碍。 transformer single-paper
JAX-DFT (🥇26 · ⭐ 38K) - 该库提供了可用于构建可微分程序形式的DFT计算的基本组件。 Apache-2
GitHub (👨💻 860 · 🔀 8.3K · 📋 1.4K - 75% open · ⏱️ 26.03.2026):
git clone https://github.com/google-research/google-research
MALA (🥇17 · ⭐ 98) - 材料学习算法。一个基于第一性原理数据进行材料性质机器学习的框架。 BSD-3
GitHub (👨💻 47 · 🔀 28 · 📦 2 · 📋 310 - 9% open · ⏱️ 16.09.2025):
git clone https://github.com/mala-project/mala
QHNet (🥇14 · ⭐ 740) - 科学人工智能研究（AIRS）。 GPL-3.0 rep-learn
GitHub (👨💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):
git clone https://github.com/divelab/AIRS
SALTED (🥇14 · ⭐ 42) - 三维电子密度及其静电响应的对称性自适应学习。 GPL-3.0
GitHub (👨💻 24 · 🔀 6 · 📋 11 - 27% open · ⏱️ 26.03.2026):
git clone https://github.com/andreagrisafi/SALTED
Q-stack (🥇14 · ⭐ 19) - 量子机器学习（QML）专用预处理和后处理任务的代码集合。 MIT excited-states general-tool
GitHub (👨💻 8 · 🔀 7 · 📋 55 - 12% open · ⏱️ 06.03.2026):
git clone https://github.com/lcmd-epfl/Q-stack
HamGNN (🥈13 · ⭐ 190) - 一种用于预测电子哈密顿矩阵的E(3)等变图神经网络。 GPL-3.0 rep-learn magnetism C-lang
GitHub (👨💻 8 · 🔀 44 · 📋 78 - 83% open · ⏱️ 21.03.2026):
git clone https://github.com/QuantumLab-ZY/HamGNN
DeePKS-kit (🥈9 · ⭐ 120 · 💤) - 一个 package for developing machine learning-based chemically accurate energy and density functional models. LGPL-3.0 ml-functional
GitHub (👨💻 7 · 🔀 39 · 📋 32 - 46% open · ⏱️ 28.04.2025):
git clone https://github.com/deepmodeling/deepks-kit
ACEhamiltonians (🥈9 · ⭐ 17) - 提供用于构建、拟合和预测固体中自洽哈密顿矩阵与重叠矩阵的工具。 MIT Julia
GitHub (👨💻 5 · 🔀 7 · 📋 5 - 40% open · ⏱️ 17.09.2025):
git clone https://github.com/ACEsuit/ACEhamiltonians.jl
CiderPress (🥈8 · ⭐ 18 · 💤) - 一款高性能软件包，用于使用CIDER训练和评估机器学习XC泛函。 GPL-3.0 ml-functional C-lang
dftio (🥈8 · ⭐ 15) - dftio旨在帮助机器学习社区将DFT输出转换为易于阅读或使用的格式。 LGPL-3.0 data-structures workflows
GitHub (👨💻 5 · 🔀 10 · 📋 8 - 50% open · ⏱️ 18.12.2025):
git clone https://github.com/deepmodeling/dftio
DeepH-E3 (🥉7 · ⭐ 120) - 通用框架，用于以E(3)等变方式表示密度泛函理论哈密顿量的神经网络。 MIT magnetism
GitHub (👨💻 2 · 🔀 28 · 📋 40 - 67% open · ⏱️ 27.01.2026):
git clone https://github.com/Xiaoxun-Gong/DeepH-E3
显示26个隐藏项目...
- DM21 (🥇20 · ⭐ 15K · 💀) - 本软件包为 DM21（DeepMind 21）系列交换关联泛函提供了 PySCF 接口，这些泛函在文中有所描述。代码采用
Apache-2许可证。 - DeepH-pack (🥈12 · ⭐ 320 · 💀) - 用于密度泛函理论哈密顿量的深度神经网络。代码采用
LGPL-3.0许可证，使用Julia编程语言。 - Grad DFT (🥈10 · ⭐ 110 · 💀) - GradDFT 是一个基于 JAX 的库，支持对交换关联泛函进行可微分的设计与实验。代码采用
Apache-2许可证。 - NeuralXC (🥈10 · ⭐ 36 · 💀) - 一种机器学习密度泛函的实现。代码采用
BSD-3许可证。 - PROPhet (🥈9 · ⭐ 66 · 💀) - PROPhet 是一款将机器学习技术与第一性原理量子化学方法相结合的代码。代码采用
GPL-3.0许可证，支持ML-IAP、MD、single-paper和C++。 - Libnxc (🥈8 · ⭐ 21 · 💀) - 一个用于在密度泛函理论中使用机器学习交换关联泛函的库。代码采用
MPL-2.0许可证，支持C++和Fortran。 - ChargE3Net (🥉7 · ⭐ 71 · 💀) - [npj Comp. Mat.] 高阶等变神经网络，用于材料中的电荷密度预测。代码采用
MIT许可证，并涉及rep-learn技术。 - Mat2Spec (🥉7 · ⭐ 29 · 💀) - 基于概率嵌入的对比学习，用于材料发现中的态密度预测。代码采用
MIT许可证，并涉及spectroscopy。 - DeepDFT (🥉6 · ⭐ 87 · 💀) - DeepDFT 模型的官方实现。代码采用
MIT许可证。 - scdp（可扩展电荷密度预测） (🥉6 · ⭐ 40 · 💀) - [NeurIPS 2024] 《电荷密度预测指南》的源代码。代码采用
MIT许可证，并涉及rep-learn和single-paper。 - charge-density-models (🥉6 · ⭐ 15 · 💀) - 使用 fairchem 构建电荷密度模型的工具。代码采用
MIT许可证，并涉及rep-learn。 - KSR-DFT (🥉6 · ⭐ 4 · 💀) - 用于机器学习 DFT 泛函的 Kohn-Sham 正则化器。代码采用
Apache-2许可证。 - xDeepH (🥉5 · ⭐ 40 · 💀) - 磁性材料的扩展版 DeepH 方法。代码采用
LGPL-3.0许可证，支持magnetism和Julia。 - InfGCN 用于电子密度估计 (🥉5 · ⭐ 16 · 💀) - NeurIPS 23 特别关注论文《InfGCN》的官方实现。代码采用
MIT许可证，并涉及rep-learn和neural-operator。 - rho_learn (🥉5 · ⭐ 4 · 💀) - 一个基于 PyTorch 的电子密度学习概念验证工作流。代码采用
MIT许可证，支持ML-DFT和rep-eng。 - ML-DFT (🥉4 · ⭐ 27 · 💀) - 一个利用机器学习进行密度泛函近似的软件包。代码采用
MIT许可证。 - DeepCDP (🥉4 · ⭐ 6 · 💀) - DeepCDP：深度学习电荷密度预测。未授权许可。
- CSNN (🥉4 · ⭐ 3 · 💀) - CSNN 的主代码库——用于 3D 表征学习的同心球形神经网络。代码采用
BSD-3许可证。 - rholearn (🥉4 · ⭐ 3 · 💀) - 在 DFT 下，基于基组分解的电子密度以及全局态密度的学习与预测。代码采用
MIT许可证，支持ML-DFT、rep-eng和density-of-states。 - gprep (🥉4 · 💀) - 使用 GPR 拟合 DFTB 反作用势。代码采用
MIT许可证，基于单篇论文。 - ofdft_nflows (🥉3 · ⭐ 11 · 💀) - 无轨道 DFT 的归一化流。未授权许可，属于
generative类别。 - APET (🥉3 · ⭐ 6 · 💀) - 基于原子位置嵌入的 Transformer。代码采用
GPL-3.0许可证，支持density-of-states和transformer。 - MALADA (🥉3 · ⭐ 1 · 💤) - MALA 数据采集：帮助构建 MALA 数据的实用工具。代码采用
BSD-3许可证。 - A3MD (🥉2 · ⭐ 8 · 💀) - 类似 MPNN 的架构结合解析密度模型，可实现精确的电子密度预测。未授权许可，支持
rep-learn和single-paper。 - MLDensity (🥉1 · ⭐ 7 · 💀) - 电荷密度的线性雅可比-勒让德展开，用于加速机器学习的电子结构计算。未授权许可。
- kdft (🥉1 · ⭐ 2 · 💀) - 核密度泛函（KDF）代码可用于生成基于机器学习的 DFT 泛函。未授权许可。
教育资源
教程、指南、烹饪书、配方等
🔗 科学领域的AI入门 community-resource rep-learn
🔗 AL4MS 2023研讨会教程 active-learning
🔗 机器学习时代的量子化学 - 书籍，2022年。
分子与材料的深度学习书 (🥇13 · ⭐ 720) - 分子和材料的深度学习书籍。 自定义
GitHub (👨💻 19 · 🔀 130 · 📋 160 - 9% 开放 · ⏱️ 20.02.2026):
git clone https://github.com/whitead/dmol-book
AI4Chemistry课程 (🥇13 · ⭐ 260) - EPFL化学领域的AI课程，2023年春季。https://schwallergroup.github.io/ai4chem_course。 MIT chemistry
GitHub (👨💻 10 · 🔀 59 · 📋 4 - 25% 开放 · ⏱️ 26.03.2026):
git clone https://github.com/schwallergroup/ai4chem_course
几何GNN道场 (🥇12 · ⭐ 520) - 刚接触几何GNN？试试我们为剑桥大学MPhil学生准备的实用笔记本。 MIT rep-learn
GitHub (👨💻 4 · 🔀 51 · 📋 9 - 22% 开放 · ⏱️ 09.10.2025):
git clone https://github.com/chaitjo/geometric-gnn-dojo
COSMO软件烹饪书 (🥇12 · ⭐ 47) - 一套用于原子尺度材料和分子建模的模拟配方集。 BSD-3
GitHub (👨💻 20 · 🔀 8 · 📋 33 - 33% 开放 · ⏱️ 25.03.2026):
git clone https://github.com/lab-cosmo/software-cookbook
MLforMaterials (🥈9 · ⭐ 140) - 帝国理工学院材料研究中机器学习实践课程的在线资源。 MIT community-resource general-ml rep-eng materials-discovery
GitHub (👨💻 2 · 🔀 17 · ⏱️ 07.02.2026):
git clone https://github.com/aronwalsh/MLforMaterials
DSECOP (🥈9 · ⭐ 52 · 💤) - 此仓库包含由DSECOP研究员开发的数据科学教育材料。 CCO-1.0
GitHub (👨💻 14 · 🔀 26 · 📋 8 - 12% 开放 · ⏱️ 29.04.2025):
git clone https://github.com/GDS-Education-Community-of-Practice/DSECOP
iam-notebooks (🥈9 · ⭐ 37) - 原子尺度建模导论课程的Jupyter笔记本。 Apache-2
GitHub (👨💻 6 · 🔀 6 · ⏱️ 14.02.2026):
git clone https://github.com/ceriottm/iam-notebooks
jarvis-tools-notebooks (🥈8 · ⭐ 95 · 💤) - 此仓库已不再维护。如需最新更新和持续开发，请访问：.. NIST
GitHub (👨💻 6 · 🔀 38 · ⏱️ 10.07.2025):
git clone https://github.com/JARVIS-Materials-Design/jarvis-tools-notebooks
DeepModeling教程 (🥉6 · ⭐ 16) - DeepModeling项目的教程。 无许可
GitHub (👨💻 12 · 🔀 24 · 📋 4 - 25% 开放 · ⏱️ 11.03.2026):
git clone https://github.com/deepmodeling/tutorials
MACE教程 (🥉5 · ⭐ 55) - 作者之一为MACE原子间势提供的另一套教程。 MIT ML-IAP rep-learn MD
GitHub (👨💻 2 · 🔀 14 · ⏱️ 22.01.2026):
git clone https://github.com/ilyes319/mace-tutorials
显示19个隐藏项目...
- DeepLearningLifeSciences (🥇12 · ⭐ 400 · 💀) - 来自《生命科学中的深度学习》一书的示例代码。
MIT - 超级计算机上的人工智能驱动科学入门：学生培训系列 (🥈11 · ⭐ 240) -
无许可通用机器学习rep-learn语言模型 - OPTIMADE 教程练习 (🥈9 · ⭐ 17 · 💀) - OPTIMADE API 的教程练习。
MIT数据集 - RDKit 教程 (🥈8 · ⭐ 310 · 💀) - 学习如何使用 RDKit 的教程。
自定义 - 最佳实践 (🥈8 · ⭐ 200 · 💀) - 您在材料信息学研究中应该（和不应该）做的事情。
MIT - MAChINE (🥉7 · ⭐ 1 · 💀) - 用于向初学者介绍机器学习在材料科学中应用的客户端-服务器 Web 应用程序。
MIT - 材料领域的应用人工智能 (🥉6 · ⭐ 73 · 💀) - 材料科学与工程应用人工智能课程资料。
无许可 - 催化领域机器学习教程 (🥉6 · ⭐ 11 · 💀) - 一个 Jupyter Book 仓库，提供关于如何使用 OCP 机器学习模型进行催化的教程。
MIT - 面向材料化学家的数据处理、实验设计与统计分析 (🥉6 · ⭐ 4 · 💀) - 由乌普萨拉大学计算材料化学组主办的 DoE 课程工作坊笔记本。
GPL-3.0 - AI4Science101 (🥉5 · ⭐ 99 · 💀) - 科学领域的人工智能。
无许可 - 硬质与软质材料的机器学习 (🥉5 · ⭐ 39 · 💀) - ESI-DCAFM-TACO-VDSP 硬质与软质材料机器学习暑期学校。
无许可 - 化学中的机器学习 101 (🥉4 · ⭐ 87 · 💀) - 化学中机器学习 101 课程的教材。
无许可 - DSM-CORE (🥉4 · ⭐ 16 · 💤) - 材料科学中的数据科学——开放教育资源合集。
无许可 - chemrev-gpr (🥉4 · ⭐ 12 · 💀) - 配合 2020 年《化学评论》上关于材料和分子中高斯过程回归论文的笔记本。
无许可 - AI4ChemMat 实战系列 (🥉4 · ⭐ 1 · 💀) - 由阿贡国家实验室化学与材料工作组组织的实战系列。
MPL-2.0 - PiNN 实验室 (🥉3 · ⭐ 3 · 💀) - 用于开展原子神经网络实验课的材料。
GPL-3.0 - MLDensity_tutorial (🥉2 · ⭐ 12 · 💀) - 关于如何利用机器学习处理分子和固体电荷密度的教程文件。
无许可 - 具有 GAP 势的 LAMMPS 式两体势 (🥉2 · ⭐ 4 · 💀) - 有关如何创建 LAMMPS 式两体势，并将其与 GAP 势结合用于分子动力学模拟的教程。
无许可ML-IAPMD特征工程 - MALA 教程 (🥉2 · ⭐ 2 · 💀) - 完整的 MALA 实践教程。
无许可
可解释的人工智能 (XAI)
专注于原子尺度机器学习中可解释性和模型可解释性的项目。
显示 3 个隐藏项目...
电子结构方法 (ML-ESM)
专注于电子结构方法相关量的项目和模型，这些方法既不属于 ML-WFT 类别，也不属于 ML-DFT 类别。
显示 5 个隐藏项目...
- QDF for molecule (🥈8 · ⭐ 230 · 💀) - 量子深度场：基于数据的波函数、电子密度生成以及能量预测与外推。
MIT - QMLearn (🥈5 · ⭐ 12 · 💀) - 通过学习原子轨道基下的单体约化密度矩阵进行量子机器学习...
MIT - q-pac (🥈5 · ⭐ 6 · 💀) - 核电荷平衡方法。
MIT静电学 - halex (🥈5 · ⭐ 4 · 💀) - 激发态哈密顿量学习 https://doi.org/10.48550/arXiv.2311.00844。
未授权激发态 - e3psi (🥉3 · ⭐ 7 · 💀) - 用于从电子结构中学习的等变机器学习库。
LGPL-3.0
通用工具
用于原子尺度机器学习的通用工具。
DeepChem (🥇34 · ⭐ 6.6K) - 使深度学习在药物发现、量子化学、材料科学和生物学领域更加普及。 MIT
GitHub (👨💻 260 · 🔀 2.1K · 📦 660 · 📋 1.8K - 27% 开放 · ⏱️ 20.02.2026):
git clone https://github.com/deepchem/deepchemPyPi (📥 40K / 月):
pip install deepchemConda (📥 120K · ⏱️ 22.04.2025):
conda install -c conda-forge deepchemDocker Hub (📥 9.4K · ⭐ 5 · ⏱️ 15.07.2025):
docker pull deepchemio/deepchem
QUIP (🥈26 · ⭐ 390) - libAtoms/QUIP 分子动力学框架：https://libatoms.github.io。 GPL-2.0 MD ML-IAP 特征工程 Fortran
GitHub (👨💻 86 · 🔀 130 · 📥 860 · 📦 46 · 📋 490 - 23% 开放 · ⏱️ 30.01.2026):
git clone https://github.com/libAtoms/QUIPPyPi (📥 3.3K / 月 · 📦 9 · ⏱️ 30.01.2026):
pip install quippy-aseDocker Hub (📥 10K · ⭐ 4 · ⏱️ 24.04.2023):
docker pull libatomsquip/quip
JARVIS-Tools (🥈24 · ⭐ 370 · 💤) - 关于 JARVIS-Tools：一个用于数据驱动原子尺度材料设计的开源软件包。出版物：.. 自定义
MAML (🥈20 · ⭐ 450) - 用于材料机器学习、材料描述符、机器学习力场、深度学习等的 Python 工具。 BSD-3
- GitHub (👨💻 39 · 🔀 94 · 📦 17 · 📋 76 - 14% 开放 · ⏱️ 14.02.2026):
git clone https://github.com/materialsvirtuallab/maml
```
- [PyPi](https://pypi.org/project/maml) (📥 910 / 月 · 📦 3 · ⏱️ 2025年04月02日):
```
pip install maml
```
</details>
<details><summary><b><a href="https://github.com/datamol-io/molfeat">Molfeat</a></b> (🥈20 · ⭐ 220 · 💤) - molfeat 是您所有分子特征提取工具的中心。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code> <a href="https://en.wikipedia.org/wiki/Cheminformatics"><code>化学信息学</code></a> <a href="https://en.wikipedia.org/wiki/Feature_engineering"><code>特征工程</code></a> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>特征学习</code></a> <a href="https://en.wikipedia.org/wiki/Generative_model"><code>生成模型</code></a> <a href="https://en.wikipedia.org/wiki/Language_model"><code>语言模型</code></a> <code>预训练</code></summary>
- [GitHub](https://github.com/datamol-io/molfeat) (👨💻 19 · 🔀 27 · 📦 73 · 📋 61 - 27% 开放 · ⏱️ 2025年05月27日):
```
git clone https://github.com/datamol-io/molfeat
```
- [PyPi](https://pypi.org/project/molfeat) (📥 6.6K / 月 · 📦 13 · ⏱️ 2025年05月27日):
```
pip install molfeat
```
- [Conda](https://anaconda.org/conda-forge/molfeat) (📥 42K · ⏱️ 2025年05月30日):
```
conda install -c conda-forge molfeat
```
</details>
<details><summary><b><a href="https://github.com/pycroscopy/atomai">AtomAI</a></b> (🥈18 · ⭐ 230 · 💤) - 用于显微镜的深度学习和机器学习。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Computer_vision"><code>计算机视觉</code></a> <a href="https://en.wikipedia.org/wiki/Unsupervised_learning"><code>无监督学习</code></a> <a href="https://en.wikipedia.org/wiki/Experimental_physics"><code>实验数据</code></a></summary>
- [GitHub](https://github.com/pycroscopy/atomai) (👨💻 6 · 🔀 41 · 📦 13 · 📋 20 - 55% 开放 · ⏱️ 2025年06月23日):
```
git clone https://github.com/pycroscopy/atomai
```
- [PyPi](https://pypi.org/project/atomai) (📥 810 / 月 · 📦 1 · ⏱️ 2025年06月23日):
```
pip install atomai
```
</details>
<details><summary><b><a href="https://github.com/scikit-learn-contrib/scikit-matter">Scikit-Matter</a></b> (🥈18 · ⭐ 93) - 一套与 scikit-learn 兼容的实用工具，实现了源自材料科学的方法…… <code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code> <code>scikit-learn</code></summary>
- [GitHub](https://github.com/scikit-learn-contrib/scikit-matter) (👨💻 20 · 🔀 25 · 📥 19 · 📋 81 - 23% 开放 · ⏱️ 2026年01月19日):
```
git clone https://github.com/scikit-learn-contrib/scikit-matter
```
- [PyPi](https://pypi.org/project/skmatter) (📥 3.1K / 月):
```
pip install skmatter
```
- [Conda](https://anaconda.org/conda-forge/skmatter) (📥 6.3K · ⏱️ 2026年01月08日):
```
conda install -c conda-forge skmatter
```
</details>
<details><summary><b><a href="https://github.com/uw-cmg/MAST-ML">MAST-ML</a></b> (🥉15 · ⭐ 130) - 材料模拟机器学习工具包 (MAST-ML)。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/uw-cmg/MAST-ML) (👨💻 19 · 🔀 61 · 📥 160 · 📋 220 - 14% 开放 · ⏱️ 2025年10月10日):
```
git clone https://github.com/uw-cmg/MAST-ML
```
</details>
<details><summary><b><a href="https://github.com/divelab/AIRS">Artificial Intelligence for Science (AIRS)</a></b> (🥉14 · ⭐ 740) - 科学领域的人工智能研究 (AIRS)。 <code><a href="https://tldrlegal.com/search?q=GPL-3.0%20license">GPL-3.0 许可证</a></code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>特征学习</code></a> <a href="https://en.wikipedia.org/wiki/Generative_model"><code>生成模型</code></a> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Molecular_dynamics"><code>MD</code></a> <code>ML-DFT</code> <code>ML-WFT</code> <a href="https://en.wikipedia.org/wiki/Biomolecule"><code>生物分子</code></a></summary>
- [GitHub](https://github.com/divelab/AIRS) (👨💻 36 · 🔀 88 · 📋 32 - 18% 开放 · ⏱️ 2026年03月14日):
```
git clone https://github.com/divelab/AIRS
```
</details>
<details><summary><b><a href="https://github.com/dralgroup/mlatom">MLatom</a></b> (🥉14 · ⭐ 140) - AI 增强的计算化学。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Molecular_dynamics"><code>MD</code></a> <code>ML-DFT</code> <code>ML-ESM</code> <a href="https://en.wikipedia.org/wiki/Transfer_learning"><code>迁移学习</code></a> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a> <a href="https://en.wikipedia.org/wiki/Spectroscopy"><code>光谱学</code></a> <a href="https://www.psik2022.net/program/symposia#h.p_hM6hJbQD9dex"><code>结构优化</code></a></summary>
- [GitHub](https://github.com/dralgroup/mlatom) (👨💻 6 · 🔀 17 · 📋 8 - 37% 开放 · ⏱️ 2026年03月09日):
```
git clone https://github.com/dralgroup/mlatom
```
- [PyPi](https://pypi.org/project/mlatom) (📥 800 / 月 · ⏱️ 2026年03月09日):
```
pip install mlatom
```
</details>
<details><summary>显示 12 个隐藏项目...</summary>
- <b><a href="https://github.com/hackingmaterials/automatminer">Automatminer</a></b> (🥈17 · ⭐ 170 · 💀) - 一种用于预测材料性能的自动化引擎。<code><a href="https://github.com/hackingmaterials/automatminer/blob/main/LICENSE">自定义</a></code> <a href="https://en.wikipedia.org/wiki/Automated_machine_learning"><code>autoML</code></a>
- <b><a href="https://github.com/qmlcode/qml">QML</a></b> (🥉16 · ⭐ 210 · 💀) - QML：量子机器学习。<code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/yoshida-lab/XenonPy">XenonPy</a></b> (🥉16 · ⭐ 150 · 💀) - XenonPy 是一款用于材料信息学的 Python 软件。<code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code>
- <b><a href="https://github.com/ulissigroup/amptorch">AMPtorch</a></b> (🥉11 · ⭐ 61 · 💀) - AMPtorch：原子尺度机器学习包（AMP）- PyTorch。<code><a href="http://bit.ly/2M0xdwT">GPL-3.0</a></code>
- <b><a href="https://github.com/Mariewelt/OpenChem">OpenChem</a></b> (🥉10 · ⭐ 740 · 💀) - OpenChem：面向计算化学和药物设计研究的深度学习工具包。<code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/deepchem/jaxchem">JAXChem</a></b> (🥉7 · ⭐ 81 · 💀) - JAXChem 是一个基于 JAX 的深度学习库，用于复杂且多功能的化学建模。<code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/ulissigroup/uncertainty_benchmarking">uncertainty_benchmarking</a></b> (🥉7 · ⭐ 43 · 💀) - 各种代码/笔记本，用于基准测试我们在 ML 预测中估计不确定性的不同方法。<code>未授权</code> <code>基准测试</code> <code>概率性</code>
- <b><a href="https://github.com/deepchem/torchchem">torchchem</a></b> (🥉7 · ⭐ 38 · 💀) - 一个用于试验 PyTorch 模型的实验性仓库。<code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/lab-cosmo/equisolve">Equisolve</a></b> (🥉6 · ⭐ 5 · 💀) - 一个利用 metatensor 数据格式构建模型以预测等变性质的 ML 工具包。<code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code> <code>ML-IAP</code>
- <b><a href="https://github.com/hgheiberger/quantum-structure-ml">quantum-structure-ml</a></b> (🥉3 · ⭐ 3 · 💀) - 一个多分类模型，用于预测磁结构的磁序以及二分类问题。<code>未授权</code> <code>磁性</code> <code>基准测试</code>
- <b><a href="https://github.com/ACEsuit/ACEatoms.jl">ACEatoms</a></b> (🥉3 · ⭐ 2 · 💀) - 使用 ACE 对原子性质进行建模的通用代码。<code><a href="https://github.com/ACEsuit/ACEatoms.jl/blob/main/ASL.md">自定义</a></code> <code>Julia</code>
- <b><a href="https://bitbucket.org/wolverton/magpie/">Magpie</a></b> (🥉3) - 材料无关的信息学与探索平台（Magpie）。<code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>Java</code>
</details>
<br>
## 生成模型
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_实现原子尺度机器学习生成模型的项目。_
<details><summary><b><a href="https://github.com/GT4SD/gt4sd-core">GT4SD</a></b> (🥇17 · ⭐ 370) - GT4SD 是一个开源库，旨在加速科学发现过程中的假设生成。<code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a></summary>
- [GitHub](https://github.com/GT4SD/gt4sd-core) (👨💻 20 · 🔀 78 · 📋 110 - 1% 开放 · ⏱️ 18.09.2025):
```
git clone https://github.com/GT4SD/gt4sd-core
```
- [PyPi](https://pypi.org/project/gt4sd) (📥 1.1K / 月):
```
pip install gt4sd
```
</details>
<details><summary><b><a href="https://github.com/xiaohang007/SLICES">SLICES 和 MatterGPT</a></b> (🥈14 · ⭐ 140) - SLICES：一种可逆、不变且基于字符串的晶体表示 [2023年，《自然通讯》] MatterGPT，.. <code><a href="https://tldrlegal.com/search?q=LGPL-2.1">LGPL-2.1</a></code> <a href="https://en.wikipedia.org/wiki/Feature_engineering"><code>特征工程</code></a> <a href="https://en.wikipedia.org/wiki/Language_model"><code>语言模型</code></a> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>Transformer</code></a> <a href="https://www.psik2022.net/program/symposia#h.p_hM6hJbQD9dex"><code>材料发现</code></a> <code>结构预测</code></summary>
- [GitHub](https://github.com/xiaohang007/SLICES) (👨💻 2 · 🔀 58 · 📦 7 · 📋 16 - 18% 开放 · ⏱️ 03.03.2026):
```
git clone https://github.com/xiaohang007/SLICES
```
- [PyPi](https://pypi.org/project/slices) (📥 200 / 月):
```
pip install slices
```
- [Docker Hub](https://hub.docker.com/r/xiaohang07/slices) (📥 740 · ⭐ 1 · ⏱️ 14.10.2025):
```
docker pull xiaohang07/slices
```
</details>
<details><summary><b><a href="https://github.com/whitead/synspace">synspace</a></b> (🥈12 · ⭐ 48 · 💤) - 合成生成模型。<code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/whitead/synspace) (👨💻 2 · 🔀 4 · 📦 36 · 📋 4 - 50% 开放 · ⏱️ 24.04.2025):
```
git clone https://github.com/whitead/synspace
```
- [PyPi](https://pypi.org/project/synspace) (📥 4.4K / 月 · 📦 4 · ⏱️ 24.04.2025):
```
pip install synspace
```
</details>
<details><summary><b><a href="https://github.com/atomistic-machine-learning/schnetpack-gschnet">SchNetPack G-SchNet</a></b> (🥈11 · ⭐ 64) - SchNetPack 的 G-SchNet 扩展。<code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/atomistic-machine-learning/schnetpack-gschnet) (👨💻 3 · 🔀 11 · ⏱️ 13.11.2025):
```
git clone https://github.com/atomistic-machine-learning/schnetpack-gschnet
```
</details>
<details><summary><b><a href="https://github.com/RokasEl/simgen">SiMGen</a></b> (🥉9 · ⭐ 29 · 💤) - 基于相似度核的零样本分子生成。<code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Visualization"><code>可视化</code></a></summary>
- [GitHub](https://github.com/RokasEl/simgen) (👨💻 4 · 🔀 5 · 📦 2 · 📋 5 - 20% 开放 · ⏱️ 27.08.2025):
```
git clone https://github.com/RokasEl/simgen
```
- [PyPi](https://pypi.org/project/simgen) (📥 19 / 月):
```
pip install simgen
```
</details>
<details><summary>显示 12 个隐藏项目...</summary>
- <b><a href="https://github.com/microsoft/molecule-generation">MoLeR</a></b> (🥇15 · ⭐ 320 · 💀) - MoLeR 的实现：一种支持支架约束生成的分子图生成模型。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/hspark1212/MOFTransformer">PMTransformer</a></b> (🥈14 · ⭐ 120 · 💀) - 多孔材料中的通用迁移学习，包括 MOF。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transfer_learning"><code>迁移学习</code></a> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>Transformer</code></a>
- <b><a href="https://github.com/ehoogeboom/e3_diffusion_for_molecules">EDM</a></b> (🥈10 · ⭐ 560 · 💀) - 用于三维分子生成的 E(3) 等变扩散模型。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/atomistic-machine-learning/G-SchNet">G-SchNet</a></b> (🥉8 · ⭐ 140 · 💀) - G-SchNet：一种用于三维分子结构的生成模型。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/tsudalab/bVAE-IM">bVAE-IM</a></b> (🥉8 · ⭐ 14 · 💀) - 基于 GPU 的伊辛机进行化学设计的实现。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Quantum_machine_learning"><code>量子机器学习</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/aksub99/molecular-vae">molecular-vae</a></b> (🥉7 · ⭐ 71 · 💀) - 论文《使用数据驱动的连续表示进行自动化学设计》的 PyTorch 实现。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a> <a href="https://en.wikipedia.org/wiki/Cheminformatics"><code>化学信息学</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/atomistic-machine-learning/cG-SchNet">cG-SchNet</a></b> (🥉7 · ⭐ 65 · 💀) - cG-SchNet：一种用于三维分子结构的条件生成神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/terraytherapeutics/COATI">COATI</a></b> (🥉6 · ⭐ 120 · 💀) - COATI：用于表征和遍历化学空间的多模态对比度预训练。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code> <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a> <a href="https://en.wikipedia.org/wiki/Multimodal_learning"><code>多模态</code></a> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a>
- <b><a href="https://github.com/tsudalab/rxngenerator">rxngenerator</a></b> (🥉6 · ⭐ 14 · 💀) - 通过多步化学反应进行分子生成的生成模型。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/tsudalab/MolSLEPA">MolSLEPA</a></b> (🥉5 · ⭐ 7 · 💀) - 基于片段的可解释分子设计，结合自学习熵分布退火法。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Explainable_artificial_intelligence"><code>XAI</code></a>
- <b><a href="https://github.com/arnoldjulian/Mapping-out-phase-diagrams-with-generative-classifiers">用生成分类器绘制相图</a></b> (🥉4 · ⭐ 8 · 💀) - 我们“用生成模型绘制相图”论文的代码库。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Phase_transition"><code>相变</code></a>
- <b><a href="https://github.com/MCobe94/descriptors-inversion">descriptors-inversion</a></b> (🥉4 · ⭐ 6 · 💀) - 化学环境表征的局部反转。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Feature_engineering"><code>特征工程</code></a> <code>单篇论文</code>
</details>
<br>
## 原子间势能（ML-IAP）
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_用于分子动力学的机器学习原子间势能（又称 ML-IAP、MLIAP、MLIP、MLP）和力场（ML-FF）。_
<details><summary><b><a href="https://github.com/mir-group/nequip">NequIP</a></b> (🥇30 · ⭐ 880) - NequIP 是一个用于构建 E(3) 等变原子间势能的代码。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/mir-group/nequip) (👨💻 39 · 🔀 200 · 📦 45 · 📋 120 - 3% 开放 · ⏱️ 25.03.2026):
```
git clone https://github.com/mir-group/nequip
```
- [PyPi](https://pypi.org/project/nequip) (📥 16万/月 · 📦 17 · ⏱️ 25.03.2026):
```
pip install nequip
```
- [Conda](https://anaconda.org/conda-forge/nequip) (📥 2.1万 · ⏱️ 25.03.2026):
```
conda install -c conda-forge nequip
```
</details>
<details><summary><b><a href="https://github.com/deepmodeling/deepmd-kit">DeePMD-kit</a></b> (🥇29 · ⭐ 1.9K) - 一个用于多体势能表示和分子动力学的深度学习工具包。 <code><a href="http://bit.ly/37RvQcA">LGPL-3.0</a></code> <a href="https://en.wikipedia.org/wiki/Molecular_dynamics"><code>MD</code></a> <code>工作流</code> <code>C++</code></summary>
- [GitHub](https://github.com/deepmodeling/deepmd-kit) (👨💻 84 · 🔀 580 · 📥 6.8万 · 📦 46 · 📋 980 - 9% 开放 · ⏱️ 24.03.2026):
```
git clone https://github.com/deepmodeling/deepmd-kit
```
- [PyPi](https://pypi.org/project/deepmd-kit) (📥 6.2千/月):
```
pip install deepmd-kit
```
- [Conda](https://anaconda.org/deepmodeling/deepmd-kit) (📥 3.6千 · ⏱️ 25.03.2025):
```
conda install -c deepmodeling deepmd-kit
```
- [Docker Hub](https://hub.docker.com/r/deepmodeling/deepmd-kit) (📥 5.1千 · ⭐ 1 · ⏱️ 27.12.2025):
```
docker pull deepmodeling/deepmd-kit
```
</details>
<details><summary><b><a href="https://github.com/facebookresearch/fairchem">fairchem</a></b> (🥇27 · ⭐ 2K · 📉) - FAIR Chemistry 的机器学习化学方法库。前身为 Open Catalyst 项目。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code> <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>表征学习</code></a> <a href="https://en.wikipedia.org/wiki/Catalysis"><code>催化</code></a></summary>
- [GitHub](https://github.com/facebookresearch/fairchem) (👨💻 68 · 🔀 440 · 📋 560 - 3% 开放 · ⏱️ 25.03.2026):
git clone https://github.com/FAIR-Chem/fairchem
```
- PyPi (📥 32K / 月):
pip install fairchem-core
MACE (🥇24 · ⭐ 1.1K) - MACE：具有高阶等变消息传递的快速且精确的机器学习原子间势能。 MIT
GitHub (👨💻 69 · 🔀 390 · 📋 580 - 20% 开放 · ⏱️ 01.03.2026):
git clone https://github.com/ACEsuit/mace
TorchMD-NET (🥈22 · ⭐ 470) - 神经网络势能的训练。 MIT 分子动力学 特征学习 Transformer 预训练
janus-core (🥈21 · ⭐ 44) - 用于机器学习原子间势能的工具。 BSD-3 基准测试 工作流 结构优化 分子动力学 传输现象
Allegro (🥈17 · ⭐ 470) - Allegro 是一个开源代码，用于构建高度可扩展且精确的等变深度学习原子间.. MIT
GitHub (👨💻 9 · 🔀 73 · 📋 50 - 2% 开放 · ⏱️ 24.02.2026):
git clone https://github.com/mir-group/allegro
MLIPX - 机器学习原子间势探索 (🥈15 · ⭐ 98) - MLIPX 是巴斯夫设计用于评估机器学习.. MIT benchmarking viz workflows
神经网络力场 (🥈14 · ⭐ 290) - 基于 PyTorch 的神经网络力场。 MIT pretrained
GitHub (👨💻 45 · 🔀 61 · 📋 23 - 21% open · ⏱️ 10.02.2026):
git clone https://github.com/learningmatter-mit/NeuralForceField
wfl (🥈14 · ⭐ 43 · 📈) - Workflow 是一个用于构建原子间势生成和原子模拟工作流的 Python 工具包。 GPL-2.0 workflows HTC
GitHub (👨💻 20 · 🔀 21 · 📦 5 · 📋 170 - 40% open · ⏱️ 22.12.2025):
git clone https://github.com/libAtoms/workflow
n2p2 (🥈13 · ⭐ 240 · 💤) - n2p2 - 一个神经网络势包。 GPL-3.0 C++
GitHub (👨💻 13 · 🔀 88 · 📋 150 - 43% open · ⏱️ 17.03.2025):
git clone https://github.com/CompPhysVienna/n2p2
MACE-Jax (🥈13 · ⭐ 91) - 在 JAX 中实现等变机器学习原子间势。 MIT
GitHub (👨💻 5 · 🔀 21 · 📋 10 - 50% open · ⏱️ 10.02.2026):
git clone https://github.com/ACEsuit/mace-jax
PiNN (🥈11 · ⭐ 120) - 一个用于构建原子神经网络的 Python 库。 BSD-3
GitHub (👨💻 8 · 🔀 39 · ⏱️ 26.03.2026):
git clone https://github.com/Teoroo-CMC/PiNNDocker Hub (📥 740 · ⏱️ 26.03.2026):
docker pull teoroo/pinn
tinker-hp (🥈11 · ⭐ 100) - Tinker-HP：适用于 CPU 和 GPU 的高性能大规模并行 Tinker。 Custom
GitHub (👨💻 12 · 🔀 26 · 📋 29 - 24% open · ⏱️ 26.01.2026):
git clone https://github.com/TinkerTools/tinker-hp
DeepMD-GNN (🥉10 · ⭐ 53) - DeePMD-kit 插件，用于各种图神经网络模型。 LGPL-3.0 rep-learn MD UIP C++
GitHub (👨💻 7 · 🔀 8 · 📋 17 - 35% open · ⏱️ 13.02.2026):
git clone https://github.com/deepmodeling/deepmd-gnn
ALF (🥉10 · ⭐ 39) - 一个用于执行主动学习以训练机器学习原子间势的框架。 Custom active-learning
GitHub (👨💻 8 · 🔀 13 · ⏱️ 21.03.2026):
git clone https://github.com/lanl/alf
ACEfit (🥉10 · ⭐ 8) - MIT Julia
GitHub (👨💻 10 · 🔀 8 · 📋 60 - 38% open · ⏱️ 20.03.2026):
git clone https://github.com/ACEsuit/ACEfit.jl
PyNEP (🥉9 · ⭐ 69) - GPUMD 中使用的机器学习势 NEP 的 Python 接口。 MIT
GitHub (👨💻 10 · 🔀 17 · 📋 14 - 42% open · ⏱️ 27.10.2025):
git clone https://github.com/bigd4/PyNEP
点边变换器（PET） (🥉9 · ⭐ 34 · 💤) - 点边变换器。 MIT rep-learn transformer
GitHub (👨💻 9 · 🔀 7 · ⏱️ 18.03.2025):
git clone https://github.com/spozdn/pet
ACE1.jl (🥉9 · ⭐ 23 · 💤) - 用于建模原子性质不变量的原子团簇展开。 自定义 Julia
GitHub (👨💻 9 · 🔀 7 · 📋 46 - 47% open · ⏱️ 15.04.2025):
git clone https://github.com/ACEsuit/ACE1.jl
TurboGAP (🥉9 · ⭐ 20) - TurboGAP代码。 自定义 Fortran
GitHub (👨💻 8 · 🔀 13 · 📋 12 - 66% open · ⏱️ 05.03.2026):
git clone https://github.com/mcaroba/turbogap
GAP (🥉8 · ⭐ 46) - 高斯近似势（GAP）。 自定义
GitHub (👨💻 13 · 🔀 20 · ⏱️ 03.01.2026):
git clone https://github.com/libAtoms/GAP
芦笋 (🥉7 · ⭐ 12) - 用于采样、训练和应用基于机器学习的势模型的程序包 https://doi.org/10.48550/arXiv.2407.15175。 MIT 工作流程 采样 MD
GitHub (👨💻 11 · 🔀 6 · ⏱️ 25.02.2026):
git clone https://github.com/MMunibas/Asparagus
MLXDM (🥉6 · ⭐ 9 · 💤) - 具有严格长程色散处理的神经网络势 https://doi.org/10.1039/D2DD00150K。 MIT 长程
GitHub (👨💻 7 · 🔀 2 · ⏱️ 12.03.2025):
git clone https://github.com/RowleyGroup/MLXDM
显示45个隐藏项目...
- MEGNet (🥇23 · ⭐ 560 · 💀) - 将图神经网络作为分子和晶体的通用机器学习框架。
BSD-3多精度仿真 - 超快速力场（UF3） (🥈15 · ⭐ 70 · 💀) - UF3：用于生成超快速原子间势的 Python 库。
Apache-2 - PyXtalFF (🥈14 · ⭐ 94 · 💀) - 基于机器学习的原子间势预测。
MIT - Pacemaker (🥈13 · ⭐ 110 · 💀) - 用于拟合原子簇展开（ACE）势的 Python 包。
自定义许可 - TensorMol (🥈12 · ⭐ 280 · 💀) - TensorFlow + 分子 = TensorMol。
GPL-3.0单篇论文 - ANI-1 (🥈12 · ⭐ 230 · 💀) - 具有 Python 接口（ASE）的 ANI-1 神经网络势。
MIT - So3krates（MLFF） (🥈12 · ⭐ 130 · 💀) - 使用 JAX 构建用于机器学习力场的神经网络。
MIT - SIMPLE-NN (🥈11 · ⭐ 48 · 💀) - SIMPLE-NN（首尔国立大学原子间机器学习势包版本神经网络）。
GPL-3.0 - calorine (🥈11 · ⭐ 15 · 💀) - 用于构建和采样神经进化势模型的 Python 包。 https://doi.org/10.21105/joss.06264。
自定义许可 - CCS_fit (🥉10 · ⭐ 10 · 💀) - 曲率约束样条。
GPL-3.0 - DimeNet (🥉9 · ⭐ 350 · 💀) - DimeNet 和 DimeNet++ 模型，如《分子图的方向消息传递》（ICLR 2020）和《快速且……》中所提出。
自定义许可 - SchNet (🥉9 · ⭐ 290 · 💀) - SchNet 是一种用于量子化学的深度学习架构。
MIT - GemNet (🥉9 · ⭐ 220 · 💀) - PyTorch 中的 GemNet 模型，如《GemNet：适用于分子的通用方向图神经网络》（NeurIPS…）中所提出。
自定义许可 - ACE.jl (🥉9 · ⭐ 67 · 💀) - 颗粒系统等变性质的参数化。
自定义许可Julia - EquiformerV2 (🥉8 · ⭐ 330 · 💀) - [ICLR 2024] EquiformerV2：改进的等变 Transformer，可扩展到更高阶表示。
MIT预训练UIP表征学习 - AIMNet (🥉8 · ⭐ 110 · 💀) - 分子中的原子神经网络势。
MIT单篇论文 - SIMPLE-NN v2 (🥉8 · ⭐ 43 · 💀) - SIMPLE-NN 是一个开源包，可以从 ab.. 构建 Behler-Parrinello 类型的神经网络原子间势。
GPL-3.0 - 原子尺度对抗攻击 (🥉8 · ⭐ 40 · 💀) - 用于对原子系统使用 NN 势进行对抗攻击的代码。
MIT概率性 - SNAP (🥉8 · ⭐ 38 · 💀) - 用于光谱邻域分析势（SNAP）模型开发的仓库。
BSD-3 - NNsforMD (🥉8 · ⭐ 11 · 💀) - 用于分子动力学的神经网络类，可预测势能、力及非绝热耦合。
MIT - MEGNetSparse (🥉8 · ⭐ 5 · 💀) - 实现稀疏表示图神经网络的库，源自 Kazeev, N., Al-Maeeni, A.R.,… 的代码。
MIT材料缺陷 - PhysNet (🥉7 · ⭐ 110 · 💀) - 用于训练 PhysNet 模型的代码。
MIT静电学 - aiida-mlip (🥉7 · ⭐ 1 · 📉) - 机器学习原子间势的 aiida 插件。
BSD-3工作流结构优化MD - MLIP-3 (🥉6 · ⭐ 27 · 💀) - MLIP-3：基于矩张量势（MTP）的原子环境主动学习。
BSD-2C++ - 测试框架 (🥉6 · ⭐ 11 · 💀) - 该仓库旨在帮助测试各种类型的大量原子间势。
无许可基准测试 - PANNA (🥉6 · ⭐ 11 · 💀) - 用于训练和验证 BP[1] 及修改后的 BP[2] 类型局部原子全连接网络模型的包。
MIT基准测试 - 炼金术学习 (🥉6 · ⭐ 3 · 💀) - 用于《利用炼金术压缩建模高熵过渡金属合金》文章的代码。
BSD-3特征工程缺陷与无序</a - BPNET (🥉6 · ⭐ 3 · 💤) - Fortran2008 中的快速 Behler-Parrinello 类型神经网络。
MIT特征工程Fortran - ACE1Pack.jl (🥉6 · ⭐ 1 · 💀) - 为使用 ACE1.jl、ACEfit.jl、JuLIP.jl 拟合原子间势提供便利功能。
MITJulia - glp (🥉5 · ⭐ 26 · 💀) - 用于 jax 中基于图的机器学习势的工具。
MIT- NequIP-JAX (🥉5 · ⭐ 24 · 💀) - NequIP 原子间势的 JAX 实现。
无许可- Allegro-Legato (🥉5 · ⭐ 21 · 💀) - Allegro 的扩展版，具有增强的鲁棒性和失效时间。
MITMD</a- TensorPotential (🥉5 · ⭐ 13 · 💀) - TensorPotential 是一个基于 TensorFlow 的工具，用于开发和拟合来自电子结构的 ML 原子间势。
自定义许可- GN-MM (🥉5 · ⭐ 11 · 💀) - 高斯矩神经网络（GM-NN）包，专为采用原子级模拟的大规模原子系统而开发。
MIT主动学习MD特征工程磁性- MatML (🥉4 · ⭐ 9) - 完整的 MatML Docker 镜像，包括 MatGL、MatCalc、MatPES 和 LAMMPS，配备 ML-GNNP 和 ML-SNAP。
BSD-3MDUIP表征学习预训练- 周期势 (🥉4 · 💀) - 一款根据所选元素显示势的元素周期表应用。
MIT社区资源可视化JavaScript- Allegro-JAX (🥉3 · ⭐ 22 · 💤) - Allegro 原子间势的 JAX 实现。
MIT- ACE 工作流 (🥉3 · 💀) - ACE 模型的工作流示例。
无许可Julia工作流- PyFLAME (🥉3 · 💀) - 一种使用 FLAME 自动化开发神经网络原子间势的方法。
无许可主动学习结构预测结构优化特征工程Fortran- SingleNN (🥈2 · ⭐ 9 · 💀) - 一个高效用于训练和执行神经网络原子间势的包。
无许可C++- mag-ace (🥈2 · ⭐ 5 · 💤) - 磁性 ACE 势。 LAMMPS SPIN 包的 FORTRAN 接口。
无许可磁性MDFortran- AisNet (🥈2 · ⭐ 3 · 💀) - 一个编码了局部环境特征的通用原子间势神经网络。
MIT- RuNNer (🥈2) - RuNNer 神经网络能量表示是一个基于 Fortran 的框架，用于构建 Behler-..
GPL-3.0Fortran- nnp-pre-training (🥉1 · ⭐ 6 · 💀) - 神经网络原子间势的合成预训练。
无许可预训练MD</a- mlp (🥉1 · ⭐ 1 · 💀) - 用于高效准确原子间势的正交描述符...
无许可Julia - NequIP-JAX (🥉5 · ⭐ 24 · 💀) - NequIP 原子间势的 JAX 实现。
语言模型
利用（大型）语言模型（LMs、LLMs）或自然语言处理（NLP）技术进行原子级机器学习的项目。
🔗 MaCBench排行榜 - 面向化学与材料研究的多模态语言模型排行榜。 community-resource benchmarking datasets
ChemBench (🥇19 · ⭐ 140) - 语言模型在化学领域的表现如何？。MIT benchmarking multimodal
ChatMOF (🥈12 · ⭐ 110 · 💤) - 使用大型语言模型（LLMs）进行金属有机框架的预测与逆向设计。MIT generative
AtomGPT (🥈11 · ⭐ 50 · 💤) - https://atomgpt.org。Custom generative pretrained transformer
LLaMP (🥉8 · ⭐ 91) - [EMNLP 25] 一个用于多模态RAG框架的Web应用和Python API，旨在将LLM锚定到高保真度材料数据上。BSD-3 multimodal RAG materials-discovery pretrained JavaScript Python
GitHub (👨💻 6 · 🔀 14 · 📋 25 - 32% open · ⏱️ 11.11.2025):
git clone https://github.com/chiang-yuan/llamp
LLM-Prop (🥉8 · ⭐ 53) - LLM-Prop实现的代码仓库。MIT
GitHub (👨💻 7 · 🔀 11 · 📋 3 - 66% open · ⏱️ 31.01.2026):
git clone https://github.com/vertaix/LLM-Prop
LLM4Chem (🥉6 · ⭐ 110 · 💤) - 论文《LlaSMol：通过大规模……推进化学领域的大型语言模型》的官方代码库。MIT cheminformatics datasets
GitHub (👨💻 2 · 🔀 18 · ⏱️ 09.06.2025):
git clone https://github.com/OSU-NLP-Group/LLM4Chem
显示17个隐藏项目...
- OpenBioML ChemNLP (🥇17 · ⭐ 170 · 💀) - ChemNLP项目。
MITdatasets - ChemDataExtractor (🥈16 · ⭐ 350 · 💀) - 自动从科学文献中提取化学信息。
MITliterature-data - ChemCrow (🥈14 · ⭐ 890 · 💀) - 用于准确解决推理密集型化学任务的开源工具包。
MITai-agent - mat2vec (🥈12 · ⭐ 640 · 💀) - Tshitoyan等人论文《无监督词嵌入捕捉材料领域的潜在知识》的补充材料。
MITrep-learn - gptchem (🥈12 · ⭐ 260 · 💀) - 使用GPT-3解决化学问题。
MIT - nlcc (🥈11 · ⭐ 46 · 💀) - 自然语言计算化学命令行界面。
MITsingle-paper - NIST ChemNLP (🥈11 · ⭐ 28 · 🐣) - chemnlp。
MITliterature-data - MoLFormer (🥉9 · ⭐ 390 · 💀) - MolFormer的代码库。
Apache-2transformerpretraineddrug-discovery</a - MolSkill (🥉9 · ⭐ 120 · 💀) - 通过偏好机器学习提取药物化学直觉。
MITdrug-discoveryrecommender</a - chemlift (🥉7 · ⭐ 45 · 💀) - 面向化学的语言接口微调。
MIT - SciBot (🥉6 · ⭐ 31 · 💀) - SciBot是构建科学领域专用聊天机器人的简单演示。
Unlicensedai-agent</a - BERT-PSIE-TC (🥉6 · ⭐ 15 · 💀) - 利用BERT-PSIE从科学文献中自动提取居里温度的数据集。
MITmagnetism - crystal-text-llm (🥉5 · ⭐ 120 · 💀) - 用于生成稳定晶体的大语言模型。
CC-BY-NC-4.0materials-discovery</a - Cephalo (🥉5 · ⭐ 12 · 💀) - 用于生物启发式材料分析与设计的多模态视觉-语言模型。
Apache-2generativemultimodalpretrained - MAPI_LLM (🥉5 · ⭐ 9 · 💀) - 在LLM March MADNESS黑客马拉松期间开发的LLM应用 https://doi.org/10.1039/D3DD00113J。
MITai-agentdataset - CatBERTa (🥉4 · ⭐ 28 · 💀) - 用于催化剂性能预测的大语言模型。
Unlicensedtransformercatalysis</a - ChemDataWriter (🥉3 · ⭐ 13 · 💀) - ChemDataWriter是一个基于Transformer的库，用于自动生成化学领域的研究书籍。
MITliterature-data
材料发现
利用原子尺度机器学习实现材料发现方法的项目。
MatterGen (🥇18 · ⭐ 1.6K) - MatterGen 的官方实现——一种可在整个元素周期表范围内进行无机材料设计的生成模型。 MIT 生成式 结构预测 预训练
GitHub (👨💻 13 · 🔀 300 · 📋 140 - 4% 开放 · ⏱️ 27.02.2026):
git clone https://github.com/microsoft/mattergen
材料发现：GNoME (🥈12 · ⭐ 1.2K · 💤) - 用于材料科学的图网络（GNoME）及包含 381,000 种新型稳定材料的数据集。 Apache-2 UIP 数据集 表征学习 专有
GitHub (👨💻 2 · 🔀 180 · 📋 25 - 84% 开放 · ⏱️ 03.03.2025):
git clone https://github.com/google-deepmind/materials_discovery
aviary (🥈11 · ⭐ 61) - 鹪鹩栖息于鸟舍中的栖木上。 MIT
GitHub (👨💻 6 · 🔀 13 · 📦 1 · ⏱️ 06.01.2026):
git clone https://github.com/CompRhys/aviary
显示 7 个隐藏项目...
- 材料发现的计算自主性（CAMD） (🥉7 · ⭐ 1 · 💀) - 基于智能体的顺序学习软件，用于材料发现。
Apache-2 - CSPML（基于机器学习的元素替代进行晶体结构预测） (🥉6 · ⭐ 29 · 💀) - CSPML 的原始实现。
MIT结构预测 - MAGUS (🥉5 · ⭐ 99 · 💀) - 机器学习与图论辅助的通用结构搜索工具。
无许可结构预测主动学习 - SPINNER (🥉4 · ⭐ 15 · 💀) - SPINNER（利用神经网络势能结合进化和随机方法进行无机晶体结构预测）。
GPL-3.0C++结构预测 - ML-atomate (🥉4 · ⭐ 7 · 💀) - 机器学习辅助的 Atomate 代码，用于自主计算材料筛选。
GPL-3.0主动学习工作流 - 闭环加速基准测试 (🥉4 · 💀) - 支持论文《闭环框架能在多大程度上加速计算……》的数据和脚本。
MIT材料发现主动学习单篇论文 - sl_discovery (🥉3 · ⭐ 5 · 💀) - 与量化机器学习模型在材料发现中性能相关的数据处理和模型。
Apache-2材料发现单篇论文
数学工具
实现原子尺度机器学习中所用数学对象的项目。
cuEquivariance (🥇22 · ⭐ 380) - cuEquivariance 是一个数学库，由一系列底层原语和张量操作组成，用于加速广泛使用的…… Apache-2 rep-learn
SpheriCart (🥈20 · ⭐ 95) - 用于在笛卡尔坐标系中计算球谐函数的多语言库。 MIT
OpenEquivariance (🥈15 · ⭐ 140) - OpenEquivariance：一种快速、开源的 GPU JIT 内核生成器，用于克莱布什-戈尔登张量积。 BSD-3 rep-learn
GitHub (👨💻 4 · 🔀 9 · 📦 2 · 📋 33 - 3% 开放 · ⏱️ 24.03.2026):
git clone https://github.com/PASSIONLab/OpenEquivariance
Polynomials4ML.jl (🥉11 · ⭐ 14) - 用于机器学习的多项式：快速求值、批处理、求导。 MIT Julia
GitHub (👨💻 12 · 🔀 7 · 📋 61 - 14% 开放 · ⏱️ 29.12.2025):
git clone https://github.com/ACEsuit/Polynomials4ML.jl
GElib (🥉9 · ⭐ 26) - 用于 SO(3) 等变运算的 C++/CUDA 库。 MPL-2.0 C++
GitHub (👨💻 6 · 🔀 3 · 📋 8 - 50% 开放 · ⏱️ 21.10.2025):
git clone https://github.com/risi-kondor/GElib
显示 6 个隐藏项目...
- lie-nn (🥉9 · ⭐ 36 · 💀) - 用于在约化李群上构建等变多项式的工具。
MITrep-learn - LapJAX (🥉8 · ⭐ 75 · 💀) - 基于 JAX 的软件包，专为高效计算二阶算子（如拉普拉斯算子）而设计。
MIT - EquivariantOperators.jl (🥉6 · ⭐ 18 · 💀) - 该软件包已弃用。其功能正在迁移到 Porcupine.jl。
MITJulia - COSMO Toolbox (🥉6 · ⭐ 8 · 💀) - 用于原子模拟分析的各种库和实用工具。
未授权C++ - cnine (🥉3 · ⭐ 5) - cnine 张量库。
未授权C++ - Wigner Kernels (🥉1 · ⭐ 2 · 💀) - 用于基准测试 Wigner 核的程序集合。
未授权基准测试
分子动力学
简化分子动力学与原子尺度机器学习集成的项目。
TorchSim (🥇24 · ⭐ 440) - 原生 Torch、可批量处理的原子级模拟。 MIT HTC UIP ML-IAP 结构优化
- GitHub (👨💻 32 · 🔀 85 · 📋 160 - 14% 开放 · ⏱️ 25.03.2026):
git clone https://github.com/Radical-AI/torch-sim
```
- [PyPi](https://pypi.org/project/torch-sim-atomistic) (📥 14万/月):
```
pip install torch-sim-atomistic
```
</details>
<details><summary><b><a href="https://github.com/brucefan1983/GPUMD">GPUMD</a></b> (🥈22 · ⭐ 740) - GPUMD是一款高效、通用的分子动力学(MD)软件包，支持机器学习势能模型。 <code><a href="http://bit.ly/2M0xdwT">GPL-3.0</a></code> <code>ML-IAP</code> <code>C++</code> <a href="https://en.wikipedia.org/wiki/Electrostatics"><code>静电相互作用</code></a></summary>
- [GitHub](https://github.com/brucefan1983/GPUMD) (👨💻 57 · 🔀 170 · 📋 260 - 4% 开放 · ⏱️ 25.03.2026):
```
git clone https://github.com/brucefan1983/GPUMD
```
</details>
<details><summary><b><a href="https://github.com/luigibonati/mlcolvar">mlcolvar</a></b> (🥈22 · ⭐ 140) - 用于增强采样的机器学习集体变量统一框架。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>采样</code></summary>
- [GitHub](https://github.com/luigibonati/mlcolvar) (👨💻 14 · 🔀 32 · 📦 11 · 📋 110 - 11% 开放 · ⏱️ 26.03.2026):
```
git clone https://github.com/luigibonati/mlcolvar
```
- [PyPi](https://pypi.org/project/mlcolvar) (📥 620/月):
```
pip install mlcolvar
```
</details>
<details><summary><b><a href="https://github.com/FitSNAP/FitSNAP">FitSNAP</a></b> (🥈17 · ⭐ 180) - 用于为LAMMPS生成机器学习原子间势能的软件。 <code><a href="http://bit.ly/2KucAZR">GPL-2.0</a></code></summary>
- [GitHub](https://github.com/FitSNAP/FitSNAP) (👨💻 24 · 🔀 65 · 📥 15 · 📋 84 - 25% 开放 · ⏱️ 17.10.2025):
```
git clone https://github.com/FitSNAP/FitSNAP
```
- [Conda](https://anaconda.org/conda-forge/fitsnap3) (📥 1.6万 · ⏱️ 22.04.2025):
```
conda install -c conda-forge fitsnap3
```
</details>
<details><summary><b><a href="https://github.com/openmm/openmm-ml">OpenMM-ML</a></b> (🥈17 · ⭐ 150) - 在OpenMM模拟中使用机器学习模型的高级API。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>ML-IAP</code></summary>
- [GitHub](https://github.com/openmm/openmm-ml) (👨💻 8 · 🔀 33 · 📦 2 · 📋 70 - 31% 开放 · ⏱️ 25.03.2026):
```
git clone https://github.com/openmm/openmm-ml
```
- [Conda](https://anaconda.org/conda-forge/openmm-ml) (📥 4万 · ⏱️ 25.03.2026):
```
conda install -c conda-forge openmm-ml
```
</details>
<details><summary><b><a href="https://github.com/molmod/psiflow">Psiflow</a></b> (🥉15 · ⭐ 140) - 可扩展的分子模拟工具。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a> <code>采样</code></summary>
- [GitHub](https://github.com/molmod/psiflow) (👨💻 5 · 🔀 16 · 📋 59 - 22% 开放 · ⏱️ 12.03.2026):
```
git clone https://github.com/molmod/psiflow
```
</details>
<details><summary><b><a href="https://github.com/mir-group/pair_nequip_allegro">pair_allegro</a></b> (🥉15 · ⭐ 61) - 用于NequIP和Allegro深度学习原子间势能的LAMMPS对势样式。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>特征学习</code></a></summary>
- [GitHub](https://github.com/mir-group/pair_nequip_allegro) (👨💻 6 · 🔀 10 · 📋 48 - 18% 开放 · ⏱️ 10.03.2026):
```
git clone https://github.com/mir-group/pair_allegro
```
</details>
<details><summary><b><a href="https://github.com/deepmodeling/DMFF">DMFF</a></b> (🥉13 · ⭐ 190 · 💤) - DMFF（可微分子力场）是一个基于Jax的Python库，提供完整的可微分.. <code><a href="http://bit.ly/37RvQcA">LGPL-3.0</a></code> <code>C++</code></summary>
- [GitHub](https://github.com/deepmodeling/DMFF) (👨💻 17 · 🔀 47 · 📋 33 - 39% 开放 · ⏱️ 06.08.2025):
```
git clone https://github.com/deepmodeling/DMFF
```
</details>
<details><summary><b><a href="https://github.com/mir-group/pair_nequip">pair_nequip</a></b> (🥉10 · ⭐ 44 · 💤) - 用于NequIP的LAMMPS对势样式。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>特征学习</code></a></summary>
- [GitHub](https://github.com/mir-group/pair_nequip) (👨💻 3 · 🔀 14 · 📋 33 - 39% 开放 · ⏱️ 25.04.2025):
```
git clone https://github.com/mir-group/pair_nequip
```
</details>
<details><summary><b><a href="https://github.com/ICAMS/lammps-user-pace">PACE</a></b> (🥉10 · ⭐ 31) - LAMMPS的ML-IAP `pair_style pace`，又称原子团扩张(ACE)，也叫ML-PACE，.. <code><a href="https://github.com/ICAMS/lammps-user-pace/blob/main/LICENSE">自定义</a></code></summary>
- [GitHub](https://github.com/ICAMS/lammps-user-pace) (👨💻 8 · 🔀 16 · 📋 11 - 45% 开放 · ⏱️ 03.12.2025):
```
git clone https://github.com/ICAMS/lammps-user-pace
```
</details>
<details><summary><b><a href="https://github.com/chiang-yuan/muse">MUSE</a></b> (🥉5 · ⭐ 7 · 💤) - 一个Python包，用于根据@materialsproject计算的结构快速构建非晶固体和液体混合物，以及.. <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>ML-IAP</code> <a href="https://www.google.com/search?q=defects+and+disorder+in+materials"><code>缺陷与无序</code></a></summary>
- [GitHub](https://github.com/chiang-yuan/muse) (👨💻 2 · 📦 1 · ⏱️ 15.05.2025):
```
git clone https://github.com/chiang-yuan/muse
```
</details>
<details><summary>显示3个隐藏项目...</summary>
- <b><a href="https://github.com/openmm/openmm-torch">openmm-torch</a></b> (🥉16 · ⭐ 220 · 💀) - OpenMM插件，用于用神经网络定义力。 <code><a href="https://github.com/openmm/openmm-torch#license">自定义</a></code> <code>ML-IAP</code> <code>C++</code>
- <b><a href="https://github.com/initqp/somd">SOMD</a></b> (🥉4 · ⭐ 17) - 专为SIESTA DFT代码设计的分子动力学软件包。 <code><a href="http://bit.ly/3pwmjO5">AGPL-3.0</a></code> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a>
- <b><a href="https://gitlab.com/ivannovikov/interface-lammps-mlip-3">interface-lammps-mlip-3</a></b> (🥉3 · ⭐ 5 · 💀) - LAMMPS与MLIP（第3版）之间的接口。 <code><a href="http://bit.ly/2KucAZR">GPL-2.0</a></code>
</details>
<br>
## 概率机器学习
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_专注于原子尺度机器学习中的概率方法、贝叶斯方法、高斯过程以及对抗性方法的项目，用于优化、不确定性量化（UQ）等。_
<details><summary><b><a href="https://github.com/janosh/thermo">thermo</a></b> (🥇5 · ⭐ 17) - 数据驱动的风险意识热电材料发现。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://www.psik2022.net/program/symposia#h.p_hM6hJbQD9dex"><code>材料发现</code></a> <a href="https://en.wikipedia.org/wiki/Experimental_physics"><code>实验数据</code></a> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a> <a href="https://en.wikipedia.org/wiki/Transport_phenomena"><code>输运现象</code></a></summary>
- [GitHub](https://github.com/janosh/thermo) (👨💻 2 · 🔀 4 · ⏱️ 12.11.2025):
```
git clone https://github.com/janosh/thermo
```
</details>
<br>
## 强化学习
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_专注于原子尺度机器学习中强化学习的项目。_
<details><summary>显示 2 个隐藏项目...</summary>
- <b><a href="https://github.com/isayev/ReLeaSE">ReLeaSE</a></b> (🥇11 · ⭐ 370 · 💀) - 用于从头药物设计的深度强化学习。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a>
- <b><a href="https://github.com/ulissigroup/catgym">CatGym</a></b> (🥉5 · ⭐ 13 · 💀) - 使用深度强化学习研究表面偏析现象。 <code><a href="https://tldrlegal.com/search?q=GPL">GPL</a></code>
</details>
<br>
## 表征工程
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_提供原子系统表征（即描述符、指纹）实现及其相关模型构建的项目，也就是特征工程。_
<details><summary><b><a href="https://github.com/cdk/cdk">cdk</a></b> (🥇25 · ⭐ 580) - 化学开发工具包。 <code><a href="https://tldrlegal.com/search?q=LGPL-2.1">LGPL-2.1</a></code> <a href="https://en.wikipedia.org/wiki/Cheminformatics"><code>化学信息学</code></a> <code>Java</code></summary>
- [GitHub](https://github.com/cdk/cdk) (👨💻 170 · 🔀 170 · 📥 75K · 📋 330 - 1% 开放 · ⏱️ 25.03.2026):
```
git clone https://github.com/cdk/cdk
```
- [Maven](https://search.maven.org/artifact/org.openscience.cdk/cdk-bundle):
```
<dependency>
<groupId>org.openscience.cdk</groupId>
<artifactId>cdk-bundle</artifactId>
<version>[VERSION]</version>
</dependency>
```
</details>
<details><summary><b><a href="https://github.com/SINGROUP/dscribe">DScribe</a></b> (🥇23 · ⭐ 460) - DScribe 是一个用于为原子系统创建机器学习描述符的 Python 软件包。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code></summary>
- [GitHub](https://github.com/SINGROUP/dscribe) (👨💻 18 · 🔀 95 · 📦 290 · 📋 110 - 12% 开放 · ⏱️ 27.09.2025):
```
git clone https://github.com/SINGROUP/dscribe
```
- [PyPi](https://pypi.org/project/dscribe) (📥 180K / 月):
```
pip install dscribe
```
- [Conda](https://anaconda.org/conda-forge/dscribe) (📥 270K · ⏱️ 10.12.2025):
```
conda install -c conda-forge dscribe
```
</details>
<details><summary><b><a href="https://github.com/hachmannlab/chemml">ChemML</a></b> (🥇18 · ⭐ 170) - ChemML 是一套面向化学和材料科学的机器学习与信息学软件。 <code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code> <a href="https://en.wikipedia.org/wiki/Cheminformatics"><code>化学信息学</code></a> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a> <code>工作流</code></summary>
- [GitHub](https://github.com/hachmannlab/chemml) (👨💻 17 · 🔀 33 · 📥 14 · 📦 8 · 📋 11 - 45% 开放 · ⏱️ 20.03.2026):
```
git clone https://github.com/hachmannlab/chemml
```
- [PyPi](https://pypi.org/project/chemml) (📥 170 / 月):
```
pip install chemml
```
</details>
<details><summary><b><a href="https://github.com/PhasesResearchLab/pySIPFENN">pySIPFENN</a></b> (🥇16 · ⭐ 24) - 用于基于结构的性质与特征工程的 Python 工具集，结合神经网络使用。它提供独特的…… <code><a href="http://bit.ly/37RvQcA">LGPL-3.0</a></code> <a href="https://en.wikipedia.org/wiki/Crystallographic_defect"><code>材料缺陷</code></a> <a href="https://www.google.com/search?q=defects+and+disorder+in+materials"><code>缺陷与无序</code></a> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Transfer_learning"><code>迁移学习</code></a></summary>
- [GitHub](https://github.com/PhasesResearchLab/pySIPFENN) (👨💻 5 · 🔀 5 · 📥 120 · 📦 7 · 📋 8 - 62% 开放 · ⏱️ 20.01.2026):
```
git clone https://github.com/PhasesResearchLab/pySIPFENN
```
- [PyPi](https://pypi.org/project/pysipfenn) (📥 110 / 月):
```
pip install pysipfenn
```
- [Conda](https://anaconda.org/conda-forge/pysipfenn) (📥 22K · ⏱️ 20.01.2026):
```
conda install -c conda-forge pysipfenn
```
</details>
<details><summary><b><a href="https://github.com/ppdebreuck/modnet">MODNet</a></b> (🥈15 · ⭐ 110 · 💤) - MODNet：一种用于机器学习材料性能的框架。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code> <code>小数据</code> <a href="https://en.wikipedia.org/wiki/Transfer_learning"><code>迁移学习</code></a></summary>
- [GitHub](https://github.com/ppdebreuck/modnet) (👨💻 11 · 🔀 34 · 📦 11 · 📋 53 - 39% 开放 · ⏱️ 02.05.2025):
```
git clone https://github.com/ppdebreuck/modnet
```
</details>
<details><summary><b><a href="https://github.com/metatensor/featomic">Featomic</a></b> (🥈15 · ⭐ 79) - 用于原子尺度机器学习的表征计算。 <code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code> <code>Rust</code> <code>C++</code></summary>
- [GitHub](https://github.com/metatensor/featomic) (👨💻 19 · 🔀 18 · 📥 840 · 📋 83 - 45% 开放 · ⏱️ 18.03.2026):
```
git clone https://github.com/metatensor/featomic
```
</details>
<details><summary><b><a href="https://github.com/drcassar/glasspy">GlassPy</a></b> (🥈15 · ⭐ 38) - 专为从事玻璃材料研究的科学家设计的 Python 模块。 <code><a href="http://bit.ly/2M0xdwT">GPL-3.0</a></code></summary>
- [GitHub](https://github.com/drcassar/glasspy) (👨💻 2 · 🔀 8 · 📦 7 · 📋 15 - 40% 开放 · ⏱️ 17.03.2026):
git clone https://github.com/drcassar/glasspy
```
- PyPi (📥 700 / 月):
pip install glasspy
SISSO (🥈12 · ⭐ 350) - 一种结合符号回归和压缩感知的数据驱动方法，用于构建准确且可解释的模型。 Apache-2 Fortran
GitHub (👨💻 3 · 🔀 93 · 📋 78 - 23% 开放 · ⏱️ 26.01.2026):
git clone https://github.com/rouyang2017/SISSO
ElemNet (🥉8 · ⭐ 100) - 仅基于元素组成进行深度学习，以提升材料性能预测能力。 无许可 单篇论文
GitHub (👨💻 4 · 🔀 35 · 📋 6 - 33% 开放 · ⏱️ 13.01.2026):
git clone https://github.com/NU-CUCIS/ElemNet
MOLPIPx (🥉8 · ⭐ 50) - JAX 和 Rust 中置换不变多项式 (PIP) 模型的可微分版本。 Apache-2 Python Rust
GitHub (👨💻 11 · 🔀 1 · ⏱️ 22.01.2026):
git clone https://github.com/ChemAI-Lab/molpipx
soap_turbo (🥉7 · ⭐ 8) - soap_turbo 包含一系列库，可与 QUIP/GAP 和 TurboGAP 配合使用。 自定义 Fortran
GitHub (👨💻 4 · 🔀 8 · 📋 8 - 62% 开放 · ⏱️ 22.01.2026):
git clone https://github.com/libAtoms/soap_turbo
fplib (🥉6 · ⭐ 8) - fplib 是一个用于计算晶体指纹并衡量材料相似性的库。 MIT C语言 单篇论文
GitHub (👨💻 2 · 🔀 1 · 📦 2 · ⏱️ 22.09.2025):
git clone https://github.com/zhuligs/fplib
显示 17 个隐藏项目...
- CatLearn (🥇16 · ⭐ 120 · 💀) -
GPL-3.0surface-science - ElementEmbeddings (🥇16 · ⭐ 51 · 💀) - Python 包，用于处理化学元素的高维表示。
MITXAIUSLviz - Librascal (🥈12 · ⭐ 83 · 💀) - 一个可扩展且多功能的库，用于生成原子尺度学习的表征。
LGPL-2.1 - CBFV (🥈11 · ⭐ 30 · 💀) - 一种快速创建基于成分的特征向量的工具。
未授权 - cmlkit (🥉9 · ⭐ 33 · 💀) - 用于凝聚态物理和量子化学中机器学习的工具。
MIT基准测试 - SkipAtom (🥉9 · ⭐ 28 · 💀) - 受 Skip-gram 模型启发的原子分布式表示。
MIT - milad (🥉7 · ⭐ 34 · 💀) - 瞬间不变量局部原子描述符。
GPL-3.0生成式 - NICE (🥉7 · ⭐ 12 · 💀) - NICE（N体迭代收缩等变）是一套用于计算不变量及……的工具。
MIT - SISSO++ (🥉7 · ⭐ 6 · 💀) - SISSO 的 C++ 实现，并带有 Python 绑定。
Apache-2C++ - SA-GPR (🥉6 · ⭐ 23 · 💀) - 对称适应性高斯过程回归（SA-GPR）的公开仓库。
LGPL-3.0C语言 - SOAPxx (🥉6 · ⭐ 7 · 💀) - 一个 SOAP 实现。
GPL-2.0C++ - pyLODE (🥉6 · ⭐ 3 · 💀) - LOng Distance Equivariants 的 Python 实现。
Apache-2静电学 - AMP (🥉6 · 💀) - Amp 是一个开源软件包，旨在轻松将机器学习应用于原子尺度计算。
未授权 - MXenes4HER (🥉5 · ⭐ 7 · 💀) - 预测 4500 种 MXene 材料的析氢反应（HER）活性 https://doi.org/10.1039/D3TA00344B。
GPL-3.0材料发现催化scikit-learn单篇论文 - automl-materials (🥉4 · ⭐ 5 · 💀) - 材料设计中小型表格数据回归任务的自动机器学习。
MITautoML基准测试单篇论文 - magnetism-prediction (🥉4 · ⭐ 2 · 💤) - 基于 DFT 的机器学习方法，用于寻找铁基双金属硫族化合物中的磁性。
Apache-2磁性单篇论文 - ML-for-CurieTemp-Predictions (🥉3 · ⭐ 2 · 💀) - 高居里温度材料的机器学习预测。
MIT单篇论文磁性
表征学习
通用模型，用于学习原子系统表征，即嵌入，例如消息传递神经网络（MPNN）。
PyG 模型 (🥇35 · ⭐ 24K · 📈) - 在 PyTorch Geometric 中实现的表征学习模型。 MIT 通用机器学习
GitHub (👨💻 560 · 🔀 4K · 📦 11K · 📋 4K - 31% 开放 · ⏱️ 25.03.2026):
git clone https://github.com/pyg-team/pytorch_geometric
e3nn (🥇30 · ⭐ 1.2K) - 一个模块化框架，用于具有欧几里得对称性的神经网络。 MIT
- GitHub (👨💻 38 · 🔀 180 · 📦 600 · 📋 180 - 17% 开放 · ⏱️ 13.02.2026):
git clone https://github.com/e3nn/e3nn
```
- [PyPi](https://pypi.org/project/e3nn) (📥 45万/月 · 📦 74 · ⏱️ 2026年2月13日):
```
pip install e3nn
```
- [Conda](https://anaconda.org/conda-forge/e3nn) (📥 6.4万 · ⏱️ 2026年2月14日):
```
conda install -c conda-forge e3nn
```
</details>
<details><summary><b><a href="https://github.com/atomistic-machine-learning/schnetpack">SchNetPack</a></b> (🥇第28名 · ⭐ 910 · 📈) - SchNetPack：用于原子体系的深度神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/atomistic-machine-learning/schnetpack) (👨💻 43 · 🔀 250 · 📦 110 · 📋 280 - 1% 开放 · ⏱️ 2026年3月17日):
```
git clone https://github.com/atomistic-machine-learning/schnetpack
```
- [PyPi](https://pypi.org/project/schnetpack) (📥 8.4万/月 · 📦 4 · ⏱️ 2025年12月19日):
```
pip install schnetpack
```
</details>
<details><summary><b><a href="https://github.com/materialyzeai/matgl">MatGL（材料图库）</a></b> (🥇第28名 · ⭐ 530) - 面向材料的图深度学习库。 <code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code> <code>ML-IAP</code> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Multifidelity_simulation"><code>多精度</code></a></summary>
- [GitHub](https://github.com/materialyzeai/matgl) (👨💻 25 · 🔀 110 · 📦 93 · 📋 150 - 1% 开放 · ⏱️ 2026年3月24日):
```
git clone https://github.com/materialsvirtuallab/matgl
```
- [PyPi](https://pypi.org/project/matgl) (📥 2.8万/月):
```
pip install matgl
```
- [Docker Hub](https://hub.docker.com/r/materialsvirtuallab/matgl) (📥 260 · ⭐ 1 · ⏱️ 2025年4月8日):
```
docker pull materialsvirtuallab/matgl
```
</details>
<details><summary><b><a href="https://github.com/usnistgov/alignn">ALIGNN</a></b> (🥈第19名 · ⭐ 310 · 💤) - 原子线图神经网络 https://scholar.google.com/citations?user=9Q-tNnwAAAAJ.. <code><a href="https://github.com/usnistgov/alignn/blob/main/LICENSE.rst">自定义</a></code></summary>
- [GitHub](https://github.com/usnistgov/alignn) (👨💻 8 · 🔀 110 · 📦 24 · 📋 87 - 67% 开放 · ⏱️ 2025年8月25日):
```
git clone https://github.com/usnistgov/alignn
```
- [PyPi](https://pypi.org/project/alignn) (📥 1.1万/月 · 📦 11 · ⏱️ 2025年4月2日):
```
pip install alignn
```
</details>
<details><summary><b><a href="https://github.com/deepmodeling/Uni-Mol">Uni-Mol</a></b> (🥈第17名 · ⭐ 1.1千 · 💤) - Uni-Mol系列方法的官方仓库。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code></summary>
- [GitHub](https://github.com/deepmodeling/Uni-Mol) (👨💻 20 · 🔀 170 · 📥 2.3万 · 📋 230 - 48% 开放 · ⏱️ 2025年5月29日):
```
git clone https://github.com/deepmodeling/Uni-Mol
```
</details>
<details><summary><b><a href="https://github.com/ORNL/HydraGNN">HydraGNN</a></b> (🥈第16名 · ⭐ 100) - 多头图卷积神经网络的分布式PyTorch实现。 <code><a href="http://bit.ly/3aKzpTv">BSD-3</a></code></summary>
- [GitHub](https://github.com/ORNL/HydraGNN) (👨💻 18 · 🔀 38 · 📦 3 · 📋 56 - 30% 开放 · ⏱️ 2026年3月25日):
```
git clone https://github.com/ORNL/HydraGNN
```
</details>
<details><summary><b><a href="https://github.com/lanl/hippynn">hippynn</a></b> (🥈第13名 · ⭐ 94) - 用于原子机器学习的Python库。 <code><a href="https://github.com/lanl/hippynn/blob/main/LICENSE.txt">自定义</a></code> <code>工作流</code></summary>
- [GitHub](https://github.com/lanl/hippynn) (👨💻 20 · 🔀 34 · 📦 4 · 📋 41 - 34% 开放 · ⏱️ 2026年3月4日):
```
git clone https://github.com/lanl/hippynn
```
</details>
<details><summary><b><a href="https://github.com/sparks-baird/CrabNet">基于成分限制的注意力网络（CrabNet）</a></b> (🥈第13名 · ⭐ 17 · 💤) - 仅使用成分信息预测材料性能！ <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/sparks-baird/CrabNet) (👨💻 6 · 🔀 6 · 📦 16 · 📋 19 - 84% 开放 · ⏱️ 2025年6月4日):
```
git clone https://github.com/sparks-baird/CrabNet
```
- [PyPi](https://pypi.org/project/crabnet) (📥 450/月):
```
pip install crabnet
```
</details>
<details><summary><b><a href="https://github.com/learningmatter-mit/uvvisml">UVVisML</a></b> (🥉第8名 · ⭐ 35 · 💤) - 使用机器学习预测分子的光学性质。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Optical_properties"><code>光学性质</code></a> <code>单篇论文</code> <code>概率模型</code></summary>
- [GitHub](https://github.com/learningmatter-mit/uvvisml) (👨💻 1 · 🔀 10 · 📋 2 - 50% 开放 · ⏱️ 2025年7月30日):
```
git clone https://github.com/learningmatter-mit/uvvisml
```
</details>
<details><summary><b><a href="https://github.com/omron-sinicx/crystalframer">Crystalframer</a></b> (🥉第8名 · ⭐ 16) - 重思框架在SE(3)不变晶体结构建模中的作用的官方代码仓库（ICLR.. <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>transformer</code></a> <code>单篇论文</code></summary>
- [GitHub](https://github.com/omron-sinicx/crystalframer) (👨💻 3 · 🔀 3 · 📥 11 · ⏱️ 2025年10月16日):
```
git clone https://github.com/omron-sinicx/crystalframer
```
</details>
<details><summary><b><a href="https://github.com/usccolumbia/deeperGATGNN">DeeperGATGNN</a></b> (🥉第7名 · ⭐ 63) - 用于材料性能预测的可扩展图神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code></summary>
- [GitHub](https://github.com/usccolumbia/deeperGATGNN) (👨💻 3 · 🔀 8 · ⏱️ 2026年2月2日):
```
git clone https://github.com/usccolumbia/deeperGATGNN
```
</details>
<details><summary><b><a href="https://github.com/omron-sinicx/crystalformer">Crystalformer</a></b> (🥉第7名 · ⭐ 28 · 💤) - Crystalformer：用于周期性结构编码的无限连接注意力的官方代码仓库（ICLR.. <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>transformer</code></a> <code>单篇论文</code></summary>
- [GitHub](https://github.com/omron-sinicx/crystalformer) (🔀 3 · 📋 4 - 25% 开放 · ⏱️ 2025年3月8日):
```
git clone https://github.com/omron-sinicx/crystalformer
```
</details>
<details><summary>显示49个隐藏项目...</summary>
- <b><a href="https://github.com/awslabs/dgl-lifesci">dgl-lifesci</a></b> (🥇24 · ⭐ 800 · 💀) - 化学和生物学中用于图神经网络的 Python 包。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code>
- <b><a href="https://github.com/e3nn/e3nn-jax">e3nn-jax</a></b> (🥇21 · ⭐ 230 · 💀) - 用于 E3 等变神经网络的 JAX 库。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code>
- <b><a href="https://github.com/NVIDIA/DeepLearningExamples#graph-neural-networks">NVIDIA 深度学习示例（面向 Tensor Core）</a></b> (🥈20 · ⭐ 15K · 💀) - 按模型组织的最先进深度学习脚本——易于训练和部署，具有可重复的精度，并且…… <code><a href="https://github.com/NVIDIA/DeepLearningExamples/blob/master/DGLPyTorch/DrugDiscovery/SE3Transformer/LICENSE">自定义</a></code> <code>教育性</code> <a href="https://en.wikipedia.org/wiki/Drug_design#Computer-aided_drug_design"><code>药物发现</code></a>
- <b><a href="https://github.com/divelab/DIG">DIG: Dive into Graphs</a></b> (🥈20 · ⭐ 2K · 💀) - 用于图深度学习研究的库。 <code><a href="http://bit.ly/2M0xdwT">GPL-3.0</a></code>
- <b><a href="https://github.com/aimat-lab/gcnn_keras">kgcnn</a></b> (🥈17 · ⭐ 120 · 💀) - 在 Keras 中使用 TensorFlow、PyTorch 或 Jax 进行图卷积。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/microsoft/Graphormer">Graphormer</a></b> (🥈15 · ⭐ 2.4K · 💀) - Graphormer 是一种用于分子建模的通用深度学习骨干网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>Transformer</code></a> <code>预训练</code>
- <b><a href="https://github.com/QUVA-Lab/escnn">escnn</a></b> (🥈15 · ⭐ 510 · 💀) - PyTorch 的等变可导向 CNN 库 https://quva-lab.github.io/escnn/。 <code><a href="https://github.com/QUVA-Lab/escnn/blob/master/LICENSE">自定义</a></code>
- <b><a href="https://github.com/graphdeeplearning/benchmarking-gnns">benchmarking-gnns</a></b> (🥈14 · ⭐ 2.7K · 💀) - 图神经网络基准测试仓库（JMLR 2023）。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>单篇论文</code> <code>基准测试</code>
- <b><a href="https://github.com/txie-93/cgcnn">晶体图卷积神经网络 (CGCNN)</a></b> (🥈13 · ⭐ 840 · 💀) - 用于预测材料性能的晶体图卷积神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/sparks-baird/xtal2png">xtal2png</a></b> (🥈13 · ⭐ 39 · 💀) - 将晶体结构编码/解码为灰度 PNG 图像，以便直接用于基于图像的机器学习。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Computer_vision"><code>计算机视觉</code></a>
- <b><a href="https://github.com/NatLabRockies/nfp">神经指纹 (nfp)</a></b> (🥈12 · ⭐ 62 · 💀) - 用于与 rdkit 和 pymatgen 配合进行端到端学习的 Keras 层。 <code><a href="https://github.com/NREL/nfp/blob/master/LICENSE">自定义</a></code>
- <b><a href="https://github.com/vict0rsch/faenet">FAENet</a></b> (🥈11 · ⭐ 34 · 💀) - 用于材料建模的帧平均等变 GNN。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/snap-stanford/pretrain-gnns">pretrained-gnns</a></b> (🥈10 · ⭐ 1.1K · 💀) - 图神经网络预训练策略。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code>
- <b><a href="https://github.com/gasteigerjo/gdc">GDC</a></b> (🥈10 · ⭐ 280 · 💀) - 图扩散卷积，如“扩散改进图学习”（NeurIPS 2019）中所提出。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Generative_model"><code>生成式</code></a>
- <b><a href="https://github.com/idocx/Atom2Vec">Atom2Vec</a></b> (🥈10 · ⭐ 37 · 💀) - Atom2Vec：一种简单的方法来描述原子以便于机器学习。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/FabianFuchsML/se3-transformer-public">SE(3)-Transformer</a></b> (🥈9 · ⭐ 580 · 💀) - SE3 Transformer 论文代码：https://arxiv.org/abs/2006.10503。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>单篇论文</code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>Transformer</code></a>
- <b><a href="https://github.com/superlouis/GATGNN">GATGNN：全局注意力图神经网络</a></b> (🥈9 · ⭐ 84 · 💀) - 我们工作的 PyTorch 仓库：带有全局注意力的图卷积神经网络，用于改善材料性能。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/HSE-LAMBDA/ai4material_design">ai4material_design</a></b> (🥈9 · ⭐ 8 · 💀) - Kazeev, N., Al-Maeeni, A.R., Romanov, I. 等人关于用机器学习稀疏表示材料特性的代码。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code> <code>预训练</code> <a href="https://en.wikipedia.org/wiki/Crystallographic_defect"><code>材料缺陷</code></a>
- <b><a href="https://github.com/masashitsubaki/molecularGNN_smiles">molecularGNN_smiles</a></b> (🥉8 · ⭐ 340 · 💀) - 基于学习 r 半径表示的分子图神经网络 (GNN) 代码。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code>
- <b><a href="https://github.com/atomicarchitects/equiformer">Equiformer</a></b> (🥉8 · ⭐ 280 · 💀) - [ICLR 2023 Spotlight] Equiformer：用于 3D 原子图的等变图注意力 Transformer。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>Transformer</code></a>
- <b><a href="https://github.com/llnl/graphite">graphite</a></b> (🥉8 · ⭐ 110 · 💀) - 基于原子结构实现图网络模型的仓库。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/nguyen-group/GNNOpt">GNNOpt</a></b> (🥉8 · ⭐ 33 · 💀) - 通用集成嵌入图神经网络，可直接从晶体结构预测光学光谱。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Optical_properties"><code>光学性质</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/Hongyu-yu/T-e3nn">T-e3nn</a></b> (🥉8 · ⭐ 19 · 💀) - 基于 e3nn 的时间反演欧几里得神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>磁性</code>
- <b><a href="https://github.com/tensorfieldnetworks/tensorfieldnetworks">tensorfieldnetworks</a></b> (🥉7 · ⭐ 160 · 💀) - 适用于 3D 点云的旋转和平移等变神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/chao1224/Geom3D">Geom3D</a></b> (🥉7 · ⭐ 130 · 💀) - Geom3D：3D 结构上的几何建模，NeurIPS 2023。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>基准测试</code> <code>单篇论文</code>
- <b><a href="https://github.com/lamm-mit/Graph-Aware-Transformers">Graph-Aware-Transformers</a></b> (🥉7 · ⭐ 69 · 💀) - 变压器中的自适应动力学的图感知注意力。 <code><a href="http://bit.ly/3nYMfla">Apache-2</a></code> <a href="https://en.wikipedia.org/wiki/Transformer_(machine_learning_model)"><code>变压器</code></a> <code>图数据</code> <code>预训练</code> <code>单篇论文</code>
- <b><a href="https://github.com/risilab/cormorant">Cormorant</a></b> (🥉7 · ⭐ 60 · 💀) - Cormorant 神经网络的代码库。 <code><a href="https://github.com/risilab/cormorant/blob/master/LICENSE">自定义</a></code>
- <b><a href="https://github.com/Open-Catalyst-Project/AdsorbML">AdsorbML</a></b> (🥉7 · ⭐ 44 · 💀) - <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Surface_science"><code>表面科学</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/emilemathieu/escnn_jax">escnn_jax</a></b> (🥉7 · ⭐ 32 · 💀) - Pytorch 的等变可导向 CNN 库 https://quva-lab.github.io/escnn/。 <code><a href="https://github.com/emilemathieu/escnn_jax/blob/master/LICENSE">自定义</a></code>
- <b><a href="https://github.com/hyllios/CGAT">CGAT</a></b> (🥉7 · ⭐ 31 · 💀) - 用于材料预测的晶体图注意力神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/IntelLabs/matsciml">matsciml</a></b> (🥉6 · ⭐ 130 · 💀) - Open MatSci ML Toolkit 是一个用于原型设计和扩展材料发现深度学习模型的框架。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>工作流</code> <code>基准测试</code>
- <b><a href="https://github.com/pfnet-research/charge_transfer_nnp">charge_transfer_nnp</a></b> (🥉6 · ⭐ 37 · 💀) - 具有电荷转移的图神经网络势能。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Electrostatics"><code>静电学</code></a>
- <b><a href="https://github.com/atomistic-machine-learning/field_schnet">FieldSchNet</a></b> (🥉6 · ⭐ 24 · 💀) - 用于外部场中分子的深度神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/learningmatter-mit/GLAMOUR">GLAMOUR</a></b> (🥉6 · ⭐ 24 · 💀) - 对大分子表示的图学习。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>单篇论文</code>
- <b><a href="https://github.com/aimat-lab/ML4pXRDs">ML4pXRDs</a></b> (🥉6 · ⭐ 3 · 💀) - 包含基于合成晶体模拟粉末 X 射线衍射图训练神经网络的代码。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/X-ray_crystallography"><code>XRD</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/risilab/Autobahn">Autobahn</a></b> (🥉5 · ⭐ 30 · 💀) - Autobahn 仓库：基于自同构的图神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code>
- <b><a href="https://github.com/lantunes/CraTENet">CraTENet</a></b> (🥉5 · ⭐ 17 · 💀) - 一种基于注意力的深度神经网络，用于热电传输特性。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transport_phenomena"><code>传输现象</code></a>
- <b><a href="https://github.com/andy90/SCFNN">SCFNN</a></b> (🥉5 · ⭐ 15 · 💀) - 神经网络势能中长程静电的自洽确定。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>C++</code> <a href="https://en.wikipedia.org/wiki/Electrostatics"><code>静电学</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/sirmarcel/gkx">gkx：JAX 中的格林-库博方法</a></b> (🥉5 · ⭐ 8 · 💀) - 格林-库博 + JAX + MLP = 快速计算非谐振热导率。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <a href="https://en.wikipedia.org/wiki/Transport_phenomena"><code>传输现象</code></a
- <b><a href="https://github.com/learningmatter-mit/per-site_painn">Per-site PAiNN</a></b> (🥉5 · ⭐ 2 · 💀) - PerovskiteOrderingGCNNs 的 PAiNN 分支。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>概率论</code> <code>预训练</code> <code>单篇论文</code>
- <b><a href="https://github.com/learningmatter-mit/per-site_cgcnn">Per-Site CGCNN</a></b> (🥉5 · ⭐ 1 · 💀) - 用于预测材料性能的晶体图卷积神经网络。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code> <code>单篇论文</code>
- <b><a href="https://github.com/gasteigerjo/gtn">图运输网络</a></b> (🥉4 · ⭐ 15 · 💀) - 图运输网络 (GTN)，如“高维图距离中的可扩展最优运输”中所提出的…… <code><a href="https://github.com/gasteigerjo/gtn/blob/main/LICENSE.md">自定义</a></code> <a href="https://en.wikipedia.org/wiki/Transport_phenomena"><code>运输现象</code></a
- <b><a href="https://github.com/M3RG-IITD/MDBENCHGNN">EGraFFBench</a></b> (🥉4 · ⭐ 11 · 💀) - <code>无许可</code> <code>单篇论文</code> <code>基准测试</code> <code>ML-IAP</code>
- <b><a href="https://github.com/learningmatter-mit/atom_by_atom">atom_by_atom</a></b> (🥉3 · ⭐ 11 · 💀) - 使用机器学习对金属氧化物催化剂进行逐原子设计，以用于析氧反应。 <code>无许可</code> <a href="https://en.wikipedia.org/wiki/Surface_science"><code>表面科学</code></a> <code>单篇论文</code>
- <b><a href="https://github.com/jeherr/element-encoder">元素编码器</a></b> (🥉3 · ⭐ 6 · 💀) - 自编码器神经网络，用于将原子物种的属性压缩成向量表示。 <code><a href="http://bit.ly/2M0xdwT">GPL-3.0</a></code> <code>单篇论文</code>
- <b><a href="https://zenodo.org/record/7967079">点边变换器</a></b> (🥈2) - 用于点云深度学习的平滑、精确的旋转对称化。 <code><a href="https://tldrlegal.com/search?q=CC-BY-4.0">CC-BY-4.0</a></code>
- <b><a href="https://github.com/risilab/SphericalNet">SphericalNet</a></b> (🥉1 · ⭐ 3 · 💀) - GElib 和 cnine 库对克莱布什-戈尔丹网络 (CGnet：https://arxiv.org/pdf/1806.09231.pdf) 的实现…… <code>无许可</code>
</details>
<br>
## 通用势能函数
<a href="#contents"><img align="right" width="15" height="15" src="https://oss.gittoolsai.com/images/JuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png" alt="返回顶部"></a>
_基于大规模、化学和结构多样性数据集训练的机器学习原子间势能函数（ML-IAP）。对于材料而言，这意味着例如包含元素周期表中大多数元素的数据集。_
🔗 <b><a href="https://doi.org/10.24433/CO.0749085.v1">TeaNet</a></b> - 受迭代电子弛豫启发的通用神经网络原子间势能。 <code>ML-IAP</code>
🔗 <b><a href="https://www.nature.com/articles/s41467-022-30687-9#code-availability">PreFerred Potential (PFP)</a></b> - 用于材料发现的通用神经网络势能 https://doi.org/10.1038/s41467-022-30687-9。 <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Proprietary_software"><code>专有</code></a>
<details><summary><b><a href="https://github.com/deepmodeling/deepmd-kit">DPA-2</a></b> (🥇30 · ⭐ 1.9K) - 大型原子模型作为多任务学习器 https://arxiv.org/abs/2312.15492。 <code><a href="http://bit.ly/37RvQcA">LGPL-3.0</a></code> <code>ML-IAP</code> <code>预训练</code> <code>工作流程</code> <code>数据集</code></summary>
- [GitHub](https://github.com/deepmodeling/deepmd-kit) (👨💻 84 · 🔀 580 · 📥 68K · 📦 46 · 📋 980 - 9% 开放 · ⏱️ 24.03.2026):
```
git clone https://github.com/deepmodeling/deepmd-kit
```
- [PyPi](https://pypi.org/project/deepmd-kit) (📥 6.2K / 月):
```
pip install deepmd-kit
```
- [Conda](https://anaconda.org/conda-forge/deepmd-kit) (📥 2.6M · ⏱️ 19.03.2026):
```
conda install -c conda-forge deepmd-kit
```
- [Docker Hub](https://hub.docker.com/r/deepmodeling/deepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):
```
docker pull deepmodeling/deepmd-kit
```
</details>
<details><summary><b><a href="https://github.com/deepmodeling/deepmd-kit">DeePMD-DPA3</a></b> (🥇30 · ⭐ 1.9K) - DPA-2 的后继版本。 <code><a href="http://bit.ly/37RvQcA">LGPL-3.0</a></code> <code>ML-IAP</code> <code>预训练</code> <code>工作流程</code> <code>数据集</code></summary>
- [GitHub](https://github.com/deepmodeling/deepmd-kit) (👨💻 84 · 🔀 600 · 📥 68K · 📦 46 · 📋 1K - 13% 开放 · ⏱️ 24.03.2026):
```
git clone https://github.com/deepmodeling/deepmd-kit
```
- [PyPi](https://pypi.org/project/deepmd-kit) (📥 6.2K / 月 · 📦 17 · ⏱️ 19.03.2026):
```
pip install deepmd-kit
```
- [Conda](https://anaconda.org/conda-forge/deepmd-kit) (📥 2.6M · ⏱️ 19.03.2026):
```
conda install -c conda-forge deepmd-kit
```
- [Docker Hub](https://hub.docker.com/r/deepmodeling/deepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):
```
docker pull deepmodeling/deepmd-kit
```
</details>
<details><summary><b><a href="https://github.com/FAIR-Chem/fairchem/tree/main/src/fairchem/core/models/equiformer_v2">FAIRChem EquiformerV2 模型</a></b> (🥈27 · ⭐ 2K · 📉) - FAIRChem 对 Equiformer V2 (eqV2) 模型的实现。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code> <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>特征学习</code></a> <a href="https://en.wikipedia.org/wiki/Catalysis"><code>催化</code></a></summary>
- [GitHub](https://github.com/facebookresearch/fairchem) (👨💻 68 · 🔀 440 · 📋 560 - 3% 开放 · ⏱️ 25.03.2026):
```
git clone https://github.com/FAIR-Chem/fairchem
```
- [PyPi](https://pypi.org/project/fairchem-core) (📥 32K / 月):
```
pip install fairchem-core
```
</details>
<details><summary><b><a href="https://github.com/janosh/matbench-discovery/tree/main/models/eSEN">FAIRChem eSEN 模型</a></b> (🥈27 · ⭐ 2K · 📉) - FAIRChem 对平滑能量网络（eSEN）模型的实现 arXiv:2502.12147。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>预训练</code> <a href="https://www.google.com/search?q=universal+interatomic+potential"><code>UIP</code></a> <a href="https://en.wikipedia.org/wiki/Feature_learning"><code>特征学习</code></a> <a href="https://en.wikipedia.org/wiki/Catalysis"><code>催化</code></a></summary>
- [GitHub](https://github.com/facebookresearch/fairchem) (👨💻 68 · 🔀 440 · 📋 560 - 3% 开放 · ⏱️ 25.03.2026):
```
git clone https://github.com/FAIR-Chem/fairchem
```
- [PyPi](https://pypi.org/project/fairchem-core) (📥 32K / 月):
```
pip install fairchem-core
```
</details>
<details><summary><b><a href="https://github.com/microsoft/mattersim">MatterSim</a></b> (🥈22 · ⭐ 520) - MatterSim：一种跨元素、温度和压力的深度学习原子模型。 <code><a href="http://bit.ly/34MBwT8">MIT</a></code> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Active_learning_(machine_learning)"><code>主动学习</code></a> <a href="https://en.wikipedia.org/wiki/Multimodal_learning"><code>多模态</code></a> <a href="https://en.wikipedia.org/wiki/Phase_transition"><code>相变</code></a> <code>预训练</code></summary>
- [GitHub](https://github.com/microsoft/mattersim) (👨💻 20 · 🔀 75 · 📥 36 · 📋 50 - 48% 开放 · ⏱️ 18.03.2026):
```
git clone https://github.com/microsoft/mattersim
```
- [PyPi](https://pypi.org/project/mattersim) (📥 200K / 月 · 📦 21 · ⏱️ 25.02.2026):
```
pip install mattersim
```
</details>
<details><summary><b><a href="https://github.com/MDIL-SNU/SevenNet">SevenNet</a></b> (🥈22 · ⭐ 240) - SevenNet 是一个图神经网络原子间势能包，支持高效的多GPU并行分子动力学计算。 <code><a href="http://bit.ly/2M0xdwT">GPL-3.0</a></code> <code>ML-IAP</code> <a href="https://en.wikipedia.org/wiki/Molecular_dynamics"><code>MD</code></a> <code>预训练</code></summary>
- [GitHub](https://github.com/MDIL-SNU/SevenNet) (👨💻 20 · 🔀 51 · 📥 13K · 📋 89 - 17% 开放 · ⏱️ 15.03.2026):
```
git clone https://github.com/MDIL-SNU/SevenNet
```
- [PyPi](https://pypi.org/project/sevenn) (📥 210K / 月):
```
pip install sevenn
```
</details>
<details><summary><b><a href="https://github.com/orbital-materials/orb-models">Orb Models</a></b> (🥈21 · ⭐ 560) - Orbital Materials 提供的 ORB 力场模型。 <code><a href="https://github.com/orbital-materials/orb-models/blob/main/LICENSE">自定义</a></code> <code>ML-IAP</code> <code>预训练</code></summary>
- [GitHub](https://github.com/orbital-materials/orb-models) (👨💻 16 · 🔀 77 · 📦 35 · 📋 75 - 4% 开放 · ⏱️ 18.03.2026):
git clone https://github.com/orbital-materials/orb-models
```
- PyPi (📥 7.8K /月 · 📦 36 · ⏱️ 18.03.2026):
pip install orb-models
CHGNet (🥉20 · ⭐ 370) - 针对电荷敏感的原子尺度建模的预训练通用神经网络势能函数 https://chgnet.lbl.gov。 自定义 ML-IAP MD pretrained electrostatics magnetism structure-relaxation
MACE-FOUNDATION模型 (🥉19 · ⭐ 220) - MACE基础模型（MP、OMAT、mh-1）。 MIT ML-IAP pretrained rep-learn MD
PET-MAD (🥉18 · ⭐ 180) - 用于先进材料建模的通用原子间势能函数。 BSD-3 ML-IAP MD rep-learn transformer
GRACE (🥉13 · ⭐ 88) - GRACE模型及gracemaker（如TensorPotential软件包中所实现）。 自定义 ML-IAP pretrained MD rep-learn rep-eng
GitHub (👨💻 4 · 🔀 10 · 📦 10 · 📋 18 - 66% open · ⏱️ 06.03.2026):
git clone https://github.com/ICAMS/grace-tensorpotential
MLIP Arena排行榜 (🥉12 · ⭐ 94) - [NeurIPS 25 Spotlight] 公平透明的机器学习原子间势能（MLIP）基准测试，超越基础…… Apache-2 ML-IAP benchmarking
GitHub (👨💻 3 · 🔀 8 · 📦 2 · 📋 20 - 70% open · ⏱️ 23.03.2026):
git clone https://github.com/atomind-ai/mlip-arena
EScAIP (🥉7 · ⭐ 60) - [NeurIPS 2024] 高效缩放注意力原子间势能的官方实现。 MIT ML-IAP rep-learn transformer single-paper
GitHub (👨💻 2 · 🔀 6 · 📥 15 · 📋 9 - 22% open · ⏱️ 26.09.2025):
git clone https://github.com/ASK-Berkeley/EScAIP
显示3个隐藏项目...
- ffonons (🥉7 · ⭐ 23 · 💀) - 由ML力场计算的声子。
MITbenchmarkingdensity-of-states - CHIPS-FF (🥉6 · ⭐ 9 · 💀) - 通用机器学习力场评估 https://doi.org/10.1021/acsmaterialslett.5c00093。
自定义benchmarkingstructure-optimizationMDmaterials-discoverytransport-phenomena - 联合多领域预训练（JMP） (🥉5 · ⭐ 62 · 💀) - 从分子到材料：用于原子性质预测的大规模通用预训练模型的代码。
CC-BY-NC-4.0pretrainedML-IAPgeneral-tool
无监督学习
专注于原子尺度机器学习中的无监督、半监督或自监督学习的项目，例如降维、聚类、对比学习等。
显示9个隐藏项目...
- mat_discover (🥈13 · ⭐ 46 · 💀) - 一种面向新材料化学空间中高性能候选材料探索的材料发现算法。
MITmaterials-discoveryrep-engHTC - ASAP (🥈12 · ⭐ 150 · 💀) - ASAP是一个能够快速分析和可视化晶体或分子结构数据集的软件包。
MIT - pumml (🥈9 · ⭐ 37 · 💀) - 正例与未标记材料机器学习（pumml）是一种利用半监督机器学习来…的代码。
MITmaterials-discovery - Sketchmap (🥉8 · ⭐ 48 · 💀) - 一套用于执行非线性降维的程序——尤其是sketch-map。
GPL-3.0C++ - paper-ml-robustness-material-property (🥉5 · ⭐ 4 · 💀) - 对材料属性机器学习预测的鲁棒性和泛化能力进行批判性考察。
BSD-3datasetssingle-paper - 3D-EMGP (🥉4 · ⭐ 33 · 💀) - [AAAI 2023] 论文《面向3D分子图的能量驱动等变预训练》的实现。
MITpretrainedrep-learnsingle-paper - 粗粒化自编码器 (🥉4 · ⭐ 21 · 💀) - 粗粒化自编码器的实现。
Unlicensedsingle-paper - KmdPlus (🥉4 · ⭐ 8 · 💀) - 该模块包含一个用于处理核均值描述符（KMD）的类，以及一个用于生成描述符的函数……
MIT - 原子环境框架下的描述符嵌入与聚类（DECAF） ( ⭐ 2) - 提供了一种工作流程，用于对结构数据集中局部环境进行聚类。
Unlicensed
可视化
专注于原子尺度机器学习可视化的项目。
Crystal Toolkit (🥇26 · ⭐ 190 · 📈) - Crystal Toolkit 是一个用于构建材料科学 Web 应用的框架，目前正为新的 Materials.. 提供支持。 MIT
Chemiscope (🥈22 · ⭐ 170) - 面向材料和分子的交互式结构/属性探索器。 BSD-3 JavaScript
Elementari (🥉21 · ⭐ 310) - 材料科学的交互式浏览器可视化工具：晶体结构/分子、轨迹、凸包等。 MIT JavaScript
ZnDraw (🥉21 · ⭐ 49) - 一个强大的工具 for visualizing, modifying, and analysing atomistic systems. EPL-2.0 MD generative JavaScript
Atomvision (🥉12 · ⭐ 34 · 💤) - 基于深度学习的原子级图像数据处理框架。 自定义 计算机视觉 实验数据 特征学习
波函数方法（ML-WFT）
专注于波函数理论方法相关量的项目和模型，例如深度学习变分蒙特卡洛（DL-VMC）等蒙特卡洛技术、量子化学方法等。
FermiNet（🥈15 · ⭐ 820）— 用于从头计算电子结构的费米子神经网络实现。Apache-2 transformer
GitHub（👨💻 24 · 🔀 160 · 📋 71 - 4% 开放 · ⏱️ 2026年3月11日）：
git clone https://github.com/google-deepmind/ferminet
JaQMC（🥉7 · ⭐ 93 · 💤）— JAX 加速的量子蒙特卡洛方法。Apache-2
GitHub（👨💻 4 · 🔀 11 · ⏱️ 2025年5月30日）：
git clone https://github.com/bytedance/jaqmc
显示3个隐藏项目...
其他
贡献
我们鼓励并欢迎任何形式的贡献！如果您希望添加或更新项目，请选择以下方式之一：
- 在 issue 页面 中选择合适的类别提交 issue，并填写所需信息。
- 修改 projects.yaml，加入您的内容或更改，然后提交 pull request。您也可以直接通过 Github UI 完成此操作。
如果您想为项目元数据收集或 Markdown 生成做出贡献，或提出建议，请参考 best-of-generator 仓库。如果您希望创建自己的“最佳列表”，我们建议您遵循 这份指南。
有关如何添加或更新项目的更多信息，请参阅 贡献指南。参与本项目即表示您同意遵守其 行为准则。
许可证
版本历史
2025.04.09-13.102025/04/092025.04.092025/04/092025.04.082025/04/082025.04.07-07.332025/04/072025.04.072025/04/072025.01.022025/01/072024.08.19-13.222024/08/192024.08.152024/08/192024.07.042024/08/192024.05.232024/08/192024.03.172024/08/192023.12.252023/12/252023.12.212023/12/252023.12.03-21.162024/08/192023.08.25-14.452024/08/192023.06.12-20.272024/08/18常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
162.1k|★★★☆☆|今天
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
140.4k|★★☆☆☆|今天
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
107.7k|★★☆☆☆|2天前
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
87.6k|★★☆☆☆|昨天
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
85k|★★☆☆☆|今天
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
77.1k|★★★☆☆|2天前