[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-JuDFTteam--best-of-atomistic-machine-learning":3,"tool-JuDFTteam--best-of-atomistic-machine-learning":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-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。\n\n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。\n\n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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","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。\n\n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。\n\nNextChat 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。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-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。\n\n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。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","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。\n\n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。\n\n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。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":78,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":23,"env_os":85,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":90,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":139},4095,"JuDFTteam\u002Fbest-of-atomistic-machine-learning","best-of-atomistic-machine-learning","🏆 A ranked list of awesome atomistic machine learning projects ⚛️🧬💎.","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。\n\n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。\n\n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。","\u003C!-- markdownlint-disable -->\n\u003Ch1 align=\"center\">\n    \u003C!-- ⚛️🧬❄️\u002F💎,  🤖🧠🦾✨, ▶️⏩➡️↔️🔄🔁♻️-->\n    Best of Atomistic Machine Learning ⚛️🧬💎\n    \u003Cbr>\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n    \u003C!-- Note: For image preview, use path relative to source file, config\u002Fheader.md. For production, use path relative to README.md. -->\n    \u003C!-- Either only Atom + NN, or NN + Atom, DNA, Crystal, standing for materials & molecules -->\n    \u003C!-- \u003Cimg src=\"config\u002Fimages\u002Femoji-neural-network-like-atom_atom.svg\" width=\"40\"> -->\n    \u003C!-- \u003Cimg src=\"config\u002Fimages\u002Femoji-neural-network-like-atom_nn-purple.svg\" width=\"40\"> -->\n    \u003C!-- \u003Cimg src=\".\u002Fimages\u002Femoji-dna.svg\" width=\"40\"> -->\n    \u003C!-- \u003Cimg src=\".\u002Fimages\u002Femoji-gem-stone.svg\" width=\"40\"> -->\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Cstrong>🏆  A ranked list of awesome atomistic machine learning (AML) projects. Updated regularly.\u003C\u002Fstrong>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fbest-of.org\" title=\"Best-of Badge\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_d0666e818392.png\">\u003C\u002Fa>\n    \u003Ca href=\"#Contents\" title=\"Project Count\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fprojects-510-blue.svg?color=5ac4bf\">\u003C\u002Fa>\n    \u003Ca href=\"#Contribution\" title=\"Contributions are welcome\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-green.svg\">\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Freleases\" title=\"Best-of Updates\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease-date\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning?color=green&label=updated\">\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.10430261\">\u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.10430261.svg\" alt=\"DOI\">\u003C\u002Fa>\n\u003C\u002Fp>\n\nThis curated list contains 510 awesome open-source projects with a total of 240K stars grouped into 23 categories. All projects are ranked by a [project-quality score](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of-generator#project-quality-score), which is calculated based on various metrics automatically collected from GitHub and different package managers. If you like to add or update projects, feel free to open an [issue](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002Fnew\u002Fchoose), submit a [pull request](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fpulls), or directly edit the [projects.yaml](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fedit\u002Fmain\u002Fprojects.yaml).\n\nThe current focus of this list is more on simulation data rather than experimental data, and more on materials rather than drug design. Nevertheless, contributions from other fields are warmly welcome!\n\n\u003Cstrong>How to cite.\u003C\u002Fstrong> See the button \"Cite this repository\" on the right side-bar.\n\n> 🧙‍♂️  Discover other [best-of lists](https:\u002F\u002Fbest-of.org) or [create your own](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of\u002Fblob\u002Fmain\u002Fcreate-best-of-list.md).\n\n## Contents\n\n- [Active learning](#active-learning) _9 projects_\n- [Community resources](#community-resources) _38 projects_\n- [Datasets](#datasets) _55 projects_\n- [Data Structures](#data-structures) _4 projects_\n- [Density functional theory (ML-DFT)](#density-functional-theory-ml-dft) _39 projects_\n- [Educational Resources](#educational-resources) _32 projects_\n- [Explainable Artificial intelligence (XAI)](#explainable-artificial-intelligence-xai) _4 projects_\n- [Electronic structure methods (ML-ESM)](#electronic-structure-methods-ml-esm) _6 projects_\n- [General Tools](#general-tools) _24 projects_\n- [Generative Models](#generative-models) _17 projects_\n- [Interatomic Potentials (ML-IAP)](#interatomic-potentials-ml-iap) _78 projects_\n- [Language Models](#language-models) _25 projects_\n- [Materials Discovery](#materials-discovery) _13 projects_\n- [Mathematical tools](#mathematical-tools) _13 projects_\n- [Molecular Dynamics](#molecular-dynamics) _15 projects_\n- [Probabilistic ML](#probabilistic-ml) _1 projects_\n- [Reinforcement Learning](#reinforcement-learning) _2 projects_\n- [Representation Engineering](#representation-engineering) _31 projects_\n- [Representation Learning](#representation-learning) _63 projects_\n- [Universal Potentials](#universal-potentials) _19 projects_\n- [Unsupervised Learning](#unsupervised-learning) _10 projects_\n- [Visualization](#visualization) _6 projects_\n- [Wavefunction methods (ML-WFT)](#wavefunction-methods-ml-wft) _7 projects_\n- [Others](#others) _1 projects_\n\n## Explanation\n- 🥇🥈🥉  Combined project-quality score\n- ⭐️  Star count from GitHub\n- 🐣  New project _(less than 6 months old)_\n- 💤  Inactive project _(6 months no activity)_\n- 💀  Dead project _(12 months no activity)_\n- 📈📉  Project is trending up or down\n- ➕  Project was recently added\n- 👨‍💻  Contributors count from GitHub\n- 🔀  Fork count from GitHub\n- 📋  Issue count from GitHub\n- ⏱️  Last update timestamp on package manager\n- 📥  Download count from package manager\n- 📦  Number of dependent projects\n\n\u003Cbr>\n\n## Active learning\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on enabling active learning, iterative learning schemes for atomistic ML._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\">DP-GEN\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 380) - The deep potential generator to generate a deep-learning based model of interatomic potential energy and force field. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen) (👨‍💻 73 · 🔀 180 · 📥 2.1K · 📦 8 · 📋 340 - 13% open · ⏱️ 01.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdpgen) (📥 550 \u002F month · 📦 2 · ⏱️ 07.08.2025):\n\t```\n\tpip install dpgen\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdeepmodeling\u002Fdpgen) (📥 290 · ⏱️ 25.03.2025):\n\t```\n\tconda install -c deepmodeling dpgen\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare\">FLARE\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 350) - An open-source Python package for creating fast and accurate interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare) (👨‍💻 44 · 🔀 78 · 📥 9 · 📦 12 · 📋 220 - 14% open · ⏱️ 30.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fbgolearn.netlify.app\">Bgolearn\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 130) - [arXiv:2601.06820] Offical implement of Bgolearn. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>probabilistic\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FBin-Cao\u002FBgolearn) (👨‍💻 4 · 🔀 18 · 📥 71 · ⏱️ 16.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FBin-Cao\u002FBgolearn\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002FBgolearn) (📥 220 \u002F month · ⏱️ 13.01.2026):\n\t```\n\tpip install Bgolearn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzincware\u002FIPSuite\">IPSuite\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 24) - A Python toolkit for FAIR development and deployment of machine-learned interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xmjV\">EPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.go-fair.org\u002Ffair-principles\u002F\">\u003Ccode>FAIR\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fzincware\u002FIPSuite) (👨‍💻 9 · 🔀 13 · 📦 14 · 📋 180 - 49% open · ⏱️ 13.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fzincware\u002FIPSuite\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fipsuite) (📥 170 \u002F month · 📦 5 · ⏱️ 20.11.2025):\n\t```\n\tpip install ipsuite\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2\">DP-GEN2\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 40) - 2nd generation of the Deep Potential GENerator. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2) (👨‍💻 19 · 🔀 36 · 📦 6 · 📋 46 - 39% open · ⏱️ 11.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 4 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare_pp\">flare++\u003C\u002Fa>\u003C\u002Fb> (🥉12 ·  ⭐ 38 · 💀) - A many-body extension of the FLARE code. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Ffinetuna\">Finetuna\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 67 · 💀) - Active Learning for Machine Learning Potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEHAL\">ACEHAL\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 15 · 💀) - Hyperactive Learning (HAL) Python interface for building Atomic Cluster Expansion potentials. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnec-research\u002Falebrew\">ALEBREW\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 21 · 💀) - Official repository for the paper Uncertainty-biased molecular dynamics for learning uniformly accurate interatomic.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnec-research\u002Falebrew\u002Fblob\u002Fmain\u002FLICENSE.txt\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Community resources\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that collect atomistic ML resources or foster communication within community._\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Facesupport.zulipchat.com\">ACE \u002F GRACE support\u003C\u002Fa>\u003C\u002Fb>  - Support forum for the Atomic Cluster Expansion (ACE) and extensions.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.air4.science\u002Fmap\">AI for Science Map\u003C\u002Fa>\u003C\u002Fb>  - Interactive mindmap of the AI4Science research field, including atomistic machine learning, including papers,..\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwiki.fysik.dtu.dk\u002Fase\u002Fecosystem.html\">ASE ecosystem\u003C\u002Fa>\u003C\u002Fb>  - This is a list of software packages related to ASE or using ASE. \u003Ccode>md, ml-iap\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcortner.github.io\u002FACEweb\u002F\">Atomic Cluster Expansion\u003C\u002Fa>\u003C\u002Fb>  - Atomic Cluster Expansion (ACE) community homepage.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcrystallm.com\">CrystaLLM\u003C\u002Fa>\u003C\u002Fb>  - Generate a crystal structure from a composition. \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fgap-ml.org\u002F\">GAP-ML.org community homepage\u003C\u002Fa>\u003C\u002Fb>   \u003Ccode>ML-IAP\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmatsci.org\u002F\">matsci.org\u003C\u002Fa>\u003C\u002Fb>  - A community forum for the discussion of anything materials science, with a focus on computational materials science..\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmattermodeling.stackexchange.com\u002Fquestions\u002Ftagged\u002Fmachine-learning\">Matter Modeling Stack Exchange - Machine Learning\u003C\u002Fa>\u003C\u002Fb>  - Forum StackExchange, site Matter Modeling, ML-tagged questions.\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flukasmasuch\u002Fbest-of-ml-python\">Best-of Machine Learning with Python\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 23K) - A ranked list of awesome machine learning Python libraries. Updated weekly. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flukasmasuch\u002Fbest-of-ml-python) (👨‍💻 57 · 🔀 3K · 📋 63 - 46% open · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fml-tooling\u002Fbest-of-ml-python\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\">MatBench Discovery\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 220) - An evaluation framework for machine learning models simulating high-throughput materials discovery. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery) (👨‍💻 28 · 🔀 53 · 📦 5 · 📋 70 - 1% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatbench-discovery) (📥 2.8K \u002F month):\n\t```\n\tpip install matbench-discovery\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenml\u002FOpenML\">OpenML\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 730) - Open Machine Learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenml\u002FOpenML) (👨‍💻 35 · 🔀 120 · 📋 960 - 40% open · ⏱️ 23.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenml\u002FOpenML\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fthegardens.ai\u002F\">Garden\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 38) - FAIR AI\u002FML Model Publishing Framework. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGarden-AI\u002Fgarden) (👨‍💻 14 · 🔀 4 · 📦 6 · 📋 380 - 3% open · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGarden-AI\u002Fgarden\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgarden-ai) (📥 450 \u002F month · ⏱️ 18.03.2026):\n\t```\n\tpip install garden-ai\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature\">Graph-based Deep Learning Literature\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 5K) - links to conference publications in graph-based deep learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature) (👨‍💻 12 · 🔀 750 · ⏱️ 07.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Fblob\u002Fmain\u002FOverview\u002Fresources.md\">AI for Science Resources\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 740) - List of resources for AI4Science research, including learning resources. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL-3.0%20license\">GPL-3.0 license\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FGT4SD\">GT4SD - Generative Toolkit for Scientific Discovery\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 370) - Gradio apps of generative models in GT4SD. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>model-repository\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core) (👨‍💻 20 · 🔀 78 · 📋 110 - 1% open · ⏱️ 18.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FEipgen\u002FNeural-Network-Models-for-Chemistry\">Neural-Network-Models-for-Chemistry\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 180) - A collection of Neural Network Models for chemistry. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FEipgen\u002FNeural-Network-Models-for-Chemistry) (👨‍💻 3 · 🔀 24 · 📋 2 - 50% open · ⏱️ 05.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FEipgen\u002FNeural-Network-Models-for-Chemistry\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fnext-gen.materialsproject.org\u002Fmaterials\u002Fgnome\">GNoME Explorer\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 1.2K · 💤) - Graph Networks for Materials Exploration Database. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery) (👨‍💻 2 · 🔀 180 · 📋 25 - 84% open · ⏱️ 03.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics\">Awesome Materials Informatics\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 500 · 💤) - Curated list of known efforts in materials informatics, i.e. in modern materials science. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics#license\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics) (👨‍💻 21 · 🔀 100 · ⏱️ 19.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyuzhimanhua\u002FAwesome-Scientific-Language-Models\">Awesome-Scientific-Language-Models\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 650 · 💤) - A Comprehensive Survey of Scientific Large Language Models and Their Applications in Scientific Discovery (EMNLP24). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fyuzhimanhua\u002FAwesome-Scientific-Language-Models) (👨‍💻 9 · 🔀 36 · ⏱️ 21.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fyuzhimanhua\u002FAwesome-Scientific-Language-Models\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fawesome-matchem-datasets\">Awesome Materials & Chemistry Datasets\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 290) - A curated list of the most useful datasets in materials science and chemistry for training machine learning and AI.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>experimental-data\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>literature-data\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProprietary_software\">\u003Ccode>proprietary\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fawesome-matchem-datasets) (👨‍💻 9 · 🔀 34 · 📋 15 - 26% open · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fawesome-matchem-datasets\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsmsharma\u002Fawesome-neural-sbi\">Awesome Neural SBI\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 150) - Community-sourced list of papers and resources on neural simulation-based inference. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsmsharma\u002Fawesome-neural-sbi) (👨‍💻 7 · 🔀 8 · 📋 2 - 50% open · ⏱️ 28.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsmsharma\u002Fawesome-neural-sbi\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Foptimade.science\">optimade.science\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 10) - A sky-scanner Optimade browser-only GUI. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Foptimade.science) (👨‍💻 8 · 🔀 4 · 📋 26 - 26% open · ⏱️ 04.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Foptimade.science\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fneurreps\u002Fawesome-neural-geometry\">Awesome Neural Geometry\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 1.1K) - A curated collection of resources and research related to the geometry of representations in the brain, deep networks,.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>educational\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fneurreps\u002Fawesome-neural-geometry) (👨‍💻 16 · 🔀 70 · ⏱️ 24.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fneurreps\u002Fawesome-neural-geometry\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science\">The Collection of Database and Dataset Resources in Materials Science\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 420) - A list of databases, datasets and books\u002Fhandbooks where you can find materials properties for machine learning.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science) (👨‍💻 2 · 🔀 58 · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAI4QC\u002FAI_for_Science_paper_collection\">AI for Science paper collection\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 160) - List the AI for Science papers accepted by top conferences. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FAI4QC\u002FAI_for_Science_paper_collection) (👨‍💻 7 · 🔀 16 · ⏱️ 24.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsherrylixuecheng\u002FAI_for_Science_paper_collection\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fml_publication_charts\">Charting ML Publications in Science\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 47) - Literature analysis of ML applications in materials science, chemistry, physics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fml_publication_charts) (👨‍💻 2 · ⏱️ 10.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fml_publication_charts\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects\">DeepModeling Projects\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 8) - DeepModeling projects. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects) (👨‍💻 4 · 🔀 2 · ⏱️ 26.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkdmsit\u002FAwesome-Crystal-GNNs\">Awesome-Crystal-GNNs\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 120) - This repository contains a collection of resources and papers on GNN Models on Crystal Solid State Materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fkdmsit\u002FAwesome-Crystal-GNNs) (👨‍💻 2 · 🔀 13 · ⏱️ 09.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fkdmsit\u002FAwesome-Crystal-GNNs\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 10 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fmatbench\">MatBench\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 190 · 💀) - Matbench: Benchmarks for materials science property prediction. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fmolformer.res.ibm.com\u002F\">MoLFormers UI\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 390 · 💀) - A family of foundation models trained on chemicals. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyuanqidu\u002Fawesome-graph-generation\">Awesome-Graph-Generation\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 360 · 💀) - A curated list of up-to-date graph generation papers and resources. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fncfrey\u002Fresources\">A Highly Opinionated List of Open-Source Materials Informatics Resources\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 150 · 💀) - A Highly Opinionated List of Open Source Materials Informatics Resources. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"MADICES\u002FMADICES.github.io\u002Fblob\u002Fmain\u002Fdocs\u002Fawesome_interoperability.md\">MADICES Awesome Interoperability\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 1) - Linked data interoperability resources of the Machine-actionable data interoperability for the chemical sciences.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fbohrium.dp.tech\u002Fcompetitions\u002F8821838186\">LAM Crystal Philately competition 2024\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 22 · 💀) - OpenLAM Challenge crystal structure prediction https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.16358. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>structure-prediction\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAlexDuvalinho\u002Fgeometric-gnns\">Geometric-GNNs\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 120 · 💀) - List of Geometric GNNs for 3D atomic systems. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>educational\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fthismaterialdoesnotexist.com\u002F\">Does this material exist?\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 18 · 💀) - Vote on whether you think predicted crystal structures could be synthesised. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>for-fun\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftopics\u002Fmaterials-informatics\">GitHub topic materials-informatics\u003C\u002Fa>\u003C\u002Fb> (🥉1) - GitHub topic materials-informatics. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fma.issp.u-tokyo.ac.jp\u002Fen\u002F\">MateriApps\u003C\u002Fa>\u003C\u002Fb> (🥉1) - A Portal Site of Materials Science Simulation. \u003Ccode>Unlicensed\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Datasets\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Datasets, databases and trained models for atomistic ML._\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Falexandria.icams.rub.de\u002F\">Alexandria Materials Database\u003C\u002Fa>\u003C\u002Fb>  - A database of millions of theoretical crystal structures (3D, 2D and 1D) discovered by machine learning accelerated..\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.catalysis-hub.org\u002F\">Catalysis Hub\u003C\u002Fa>\u003C\u002Fb>  - A web-platform for sharing data and software for computational catalysis research!.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcitrination.com\u002F\">Citrination Datasets\u003C\u002Fa>\u003C\u002Fb>  - AI-Powered Materials Data Platform. Open Citrination has been decommissioned.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcrystals.ai\u002F\">crystals.ai\u003C\u002Fa>\u003C\u002Fb>  - Curated datasets for reproducible AI in materials science.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FDeepChem\">DeepChem Models\u003C\u002Fa>\u003C\u002Fb>  - DeepChem models on HuggingFace. \u003Ccode>model-repository\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Ffigshare.com\u002Farticles\u002Fdataset\u002FGraphs_of_Materials_Project_20190401\u002F8097992\">Graphs of Materials Project 20190401\u003C\u002Fa>\u003C\u002Fb>  - The dataset used to train the MEGNet interatomic potential. \u003Ccode>ML-IAP\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.6084\u002Fm9.figshare.19658538\">HME21 Dataset\u003C\u002Fa>\u003C\u002Fb>  - High-temperature multi-element 2021 dataset for the PreFerred Potential (PFP).. \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fpages.nist.gov\u002Fjarvis_leaderboard\u002F\">JARVIS-Leaderboard\u003C\u002Fa>\u003C\u002Fb> ( ⭐ 72 · 💤)  - A large scale benchmark of materials design methods: https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41524-024-01259-w. \u003Ccode>model-repository\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>educational\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmaterialsproject.org\u002Fml\u002Fcharge_densities\">Materials Project - Charge Densities\u003C\u002Fa>\u003C\u002Fb>  - Materials Project has started offering charge density information available for download via their public API.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Ffigshare.com\u002Farticles\u002Fdataset\u002FMaterials_Project_Trjectory_MPtrj_Dataset\u002F23713842\">Materials Project Trajectory (MPtrj) Dataset\u003C\u002Fa>\u003C\u002Fb>  - The dataset used to train the CHGNet universal potential. \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmatterverse.ai\u002F\">matterverse.ai\u003C\u002Fa>\u003C\u002Fb>  - Database of yet-to-be-sythesized materials predicted using state-of-the-art machine learning algorithms.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Ffigshare.com\u002Farticles\u002Fdataset\u002FMPF_2021_2_8\u002F19470599\">MPF.2021.2.8\u003C\u002Fa>\u003C\u002Fb>  - The dataset used to train the M3GNet universal potential. \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmaterials.nrel.gov\u002F\">NRELMatDB\u003C\u002Fa>\u003C\u002Fb>  - Computational materials database with the specific focus on materials for renewable energy applications including, but..\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdata.dtu.dk\u002Farticles\u002Fdataset\u002FQM9_Charge_Densities_and_Energies_Calculated_with_VASP\u002F16794500\">QM9 Charge Densities and Energies\u003C\u002Fa>\u003C\u002Fb>  - QM9 molecules calculated with VASP using Atomic Simulation Environment. \u003Ccode>ML-DFT\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.6084\u002Fm9.figshare.25993060.v1\">QM40 Dataset\u003C\u002Fa>\u003C\u002Fb>  - A More Realistic QM Dataset for Machine Learning in Molecular Science https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41597-024-04206-y. \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"CC-BY-3.0\">QMugs dataset\u003C\u002Fa>\u003C\u002Fb>  - Quantum Mechanical Properties of Drug-like Molecules https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41597-022-01390-7. \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"http:\u002F\u002Fquantum-machine.org\u002Fdatasets\u002F\">Quantum-Machine.org Datasets\u003C\u002Fa>\u003C\u002Fb>  - Collection of datasets, including QM7, QM9, etc. MD, DFT. Small organic molecules, mostly.\n\n🔗 \u003Cb>\u003Ca href=\"http:\u002F\u002Fsgdml.org\u002F#datasets\">sGDML Datasets\u003C\u002Fa>\u003C\u002Fb>  - MD17, MD22, DFT datasets.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmoleculenet.org\u002F\">MoleculeNet\u003C\u002Fa>\u003C\u002Fb>  - A Benchmark for Molecular Machine Learning. \u003Ccode>benchmarking\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fzinc15.docking.org\u002F\">ZINC15\u003C\u002Fa>\u003C\u002Fb>  - A free database of commercially-available compounds for virtual screening. ZINC contains over 230 million purchasable.. \u003Ccode>graph\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fzinc.docking.org\u002F\">ZINC20\u003C\u002Fa>\u003C\u002Fb>  - A free database of commercially-available compounds for virtual screening. ZINC contains over 230 million purchasable.. \u003Ccode>graph\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem\">FAIR Chemistry datasets\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 2K · 📉) - Datasets OC20, OC22, etc. Formerly known as Open Catalyst Project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Ffairchem\u002FOMAT24\">Meta Open Materials 2024 (OMat24) Dataset\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 2K) - Contains over 100 million Density Functional Theory calculations focused on structural and compositional diversity. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs\">MPContribs\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 39) - Platform for materials scientists to contribute and disseminate their materials data through Materials Project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs) (👨‍💻 29 · 🔀 26 · 📦 58 · 📋 100 - 19% open · ⏱️ 26.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmpcontribs-client) (📥 6.6K \u002F month):\n\t```\n\tpip install mpcontribs-client\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-python-tools\">OPTIMADE Python tools\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 89) - Tools for implementing and consuming OPTIMADE APIs in Python. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-python-tools) (👨‍💻 34 · 🔀 50 · 📋 500 - 22% open · ⏱️ 02.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-python-tools\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Foptimade) (📥 21K \u002F month · 📦 4 · ⏱️ 13.02.2026):\n\t```\n\tpip install optimade\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Foptimade) (📥 170K · ⏱️ 13.02.2026):\n\t```\n\tconda install -c conda-forge optimade\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fload-atoms\">load-atoms\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 48) - download and manipulate atomistic datasets. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>data-structures\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fload-atoms) (👨‍💻 5 · 🔀 5 · 📦 8 · 📋 35 - 14% open · ⏱️ 25.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fload-atoms\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fload-atoms) (📥 150K \u002F month · 📦 3 · ⏱️ 25.11.2025):\n\t```\n\tpip install load-atoms\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE\">Open Databases Integration for Materials Design (OPTIMADE)\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 100) - Specification of a common REST API for access to materials databases. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE) (👨‍💻 24 · 🔀 37 · 📋 260 - 30% open · ⏱️ 18.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHBench\u002FQH9\">QH9\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 740) - A Quantum Hamiltonian Prediction Benchmark. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-SA-4.0\">CC-BY-NC-SA-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.openqdc.io\u002F\">OpenQDC\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 60 · 💤) - Repository of Quantum Datasets Publicly Available. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fvalence-labs\u002FOpenQDC) (👨‍💻 10 · 🔀 5 · 📦 4 · 📋 50 - 18% open · ⏱️ 19.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fvalence-labs\u002FopenQDC\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fopenqdc) (📥 140 \u002F month):\n\t```\n\tpip install openqdc\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fopenqdc) (📥 2.1K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge openqdc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fopenkim.org\u002F\">OpenKIM\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 37) - The Open Knowledgebase of Interatomic Models (OpenKIM) aims to be an online resource for standardized testing, long-.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FKnowledge_base\">\u003Ccode>knowledge-base\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkim-api) (👨‍💻 27 · 🔀 18 · 📋 37 - 40% open · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkim-api\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAIRI-Institute\u002FnablaDFT\">nablaDFT\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 230) - nablaDFT: Large-Scale Conformational Energy and Hamiltonian Prediction benchmark and dataset. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-WFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FAIRI-Institute\u002FnablaDFT) (👨‍💻 9 · 🔀 26 · 📋 28 - 10% open · ⏱️ 31.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FAIRI-Institute\u002FnablaDFT\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fspice-dataset\">SPICE\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 190) - A collection of QM data for training potential functions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fspice-dataset) (🔀 11 · 📥 340 · 📋 74 - 25% open · ⏱️ 25.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fspice-dataset\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fmatpes.ai\u002F\">MatPES\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 53) - A foundational potential energy dataset for materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatpes) (👨‍💻 3 · 🔀 5 · 📋 9 - 22% open · ⏱️ 02.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatpes\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatpes) (📥 110 \u002F month · ⏱️ 10.03.2025):\n\t```\n\tpip install matpes\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmpds-io\u002Fmpds-api\">MPDS API\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 26) - Tutorials, notebooks, issue tracker, and website on the MPDS API: the data retrieval interface for the Materials.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhase_transition\">\u003Ccode>phase-transition\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmpds-io\u002Fmpds-api) (👨‍💻 5 · 🔀 5 · 📋 36 - 22% open · ⏱️ 24.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmpds-io\u002Fmpds-api\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmpds_client) (📥 350 \u002F month):\n\t```\n\tpip install mpds_client\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNRC-Mila\u002FOBELiX\">OBELiX\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 51) - A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>experimental-data\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FNRC-Mila\u002FOBELiX) (👨‍💻 6 · 🔀 9 · 📋 2 - 50% open · ⏱️ 27.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FNRC-Mila\u002FOBELiX\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fobelix-data) (📥 39 \u002F month · ⏱️ 16.05.2025):\n\t```\n\tpip install obelix-data\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAIS-Square\">AIS Square\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 15) - A collaborative and open-source platform for sharing AI for Science datasets, models, and workflows. Home of the.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAIS-Square) (👨‍💻 8 · 🔀 8 · 📋 6 - 83% open · ⏱️ 23.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAIS-Square\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE\">polyVERSE\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 31) - polyVERSE is a comprehensive repository of informatics-ready datasets curated by the Ramprasad Group. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE?tab=License-1-ov-file\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSoft_matter\">\u003Ccode>soft-matter\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE) (👨‍💻 9 · 🔀 6 · ⏱️ 21.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fvisual_graph_datasets\">Visual Graph Datasets\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 5) - Datasets for the training of graph neural networks (GNNs) and subsequent visualization of attributional explanations.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fvisual_graph_datasets) (👨‍💻 2 · 🔀 3 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fvisual_graph_datasets\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJesperkemist\u002Fperovskitedatabase\">The Perovskite Database Project\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 70) - Perovskite Database Project aims at making all perovskite device data, both past and future, available in a form.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FJesperkemist\u002Fperovskitedatabase) (👨‍💻 2 · 🔀 26 · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FJesperkemist\u002Fperovskitedatabase\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FORNL\u002FAnalysis-of-Large-Scale-Molecular-Datasets-with-Python\">GDB-9-Ex9 and ORNL_AISD-Ex\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 10 · 💤) - Distributed computing workflow for generation and analysis of large scale molecular datasets obtained running multi-.. \u003Ccode>Unlicensed\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FORNL\u002FAnalysis-of-Large-Scale-Molecular-Datasets-with-Python) (👨‍💻 7 · 🔀 6 · ⏱️ 12.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FORNL\u002FAnalysis-of-Large-Scale-Molecular-Datasets-with-Python\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 15 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrorlab\u002Fatom3d\">ATOM3D\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 320 · 💀) - ATOM3D: tasks on molecules in three dimensions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.materialsdatafacility.org\">Materials Data Facility (MDF)\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 10 · 💀) - A simple way to publish, discover, and access materials datasets. Publication of very large datasets supported (e.g.,.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fmoleculenet\">MoleculeNet Leaderboard\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 100 · 💀) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHSE-LAMBDA\u002Fai4material_design\u002Fblob\u002Fmain\u002Fdocs\u002FDATA.md\">2DMD dataset\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 8 · 💀) - Code for Kazeev, N., Al-Maeeni, A.R., Romanov, I. et al. Sparse representation for machine learning the properties of.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>material-defect\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FANI1_dataset\">ANI-1 Dataset\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 100 · 💀) - A data set of 20 million calculated off-equilibrium conformations for organic molecules. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fgeom\">GEOM\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 240 · 💀) - GEOM: Energy-annotated molecular conformations. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002FANI1x_datasets\">ANI-1x Datasets\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 67 · 💀) - The ANI-1ccx and ANI-1x data sets, coupled-cluster and density functional theory properties for organic molecules. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FCOMP6\">COMP6 Benchmark dataset\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 40 · 💀) - COMP6 Benchmark dataset for ML potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrcassar\u002FSciGlass\">SciGlass\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 15 · 💀) - The database contains a vast set of data on the properties of glass materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.optimade.org\u002Fproviders-dashboard\u002F\">OPTIMADE providers dashboard\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 2 · 💤) - A dashboard of known providers. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002F3DSC\">3DSC Database\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 24 · 💀) - Repo for the paper publishing the superconductor database with 3D crystal structures. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002F3DSC\u002Fblob\u002Fmain\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSuperconductivity\">\u003Ccode>superconductors\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmathsphy\u002Fpaper-data-redundancy\">paper-data-redundancy\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 11 · 💀) - Repo for the paper Exploiting redundancy in large materials datasets for efficient machine learning with less data. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>small-data\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBingqingCheng\u002Flinear-regression-benchmarks\">linear-regression-benchmarks\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 1 · 💀) - Data sets used for linear regression benchmarks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fbrucefan1983\u002Fnep-data\">nep-data\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 21 · 💀) - Data related to the NEP machine-learned potential of GPUMD. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002FtmQM_wB97MV\">tmQM_wB97MV Dataset\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 9 · 💀) - Code for Applying Large Graph Neural Networks to Predict Transition Metal Complex Energies Using the tmQM_wB97MV.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Data Structures\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on providing data structures used in atomistic machine learning._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata\">dpdata\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 240) - A Python package for manipulating atomistic data of software in computational science. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata) (👨‍💻 67 · 🔀 160 · 📦 160 · 📋 160 - 31% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdpdata) (📥 77K \u002F month · 📦 44 · ⏱️ 28.02.2026):\n\t```\n\tpip install dpdata\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdeepmodeling\u002Fdpdata) (📥 410 · ⏱️ 25.03.2025):\n\t```\n\tconda install -c deepmodeling dpdata\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatensor\">Metatensor\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 98) - Self-describing sparse tensor data format for atomistic machine learning and beyond. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Rust\u003C\u002Fcode> \u003Ccode>C-lang\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatensor) (👨‍💻 36 · 🔀 24 · 📥 54K · 📦 14 · 📋 260 - 24% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatensor\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmetatensor) (📥 1.4K \u002F month):\n\t```\n\tpip install metatensor\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho\">mp-pyrho\u003C\u002Fa>\u003C\u002Fb> (🥉19 ·  ⭐ 42) - Tools for re-griding volumetric quantum chemistry data for machine-learning purposes. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho) (👨‍💻 10 · 🔀 10 · 📦 34 · 📋 6 - 50% open · ⏱️ 13.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmp-pyrho) (📥 170K \u002F month):\n\t```\n\tpip install mp-pyrho\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack\">dlpack\u003C\u002Fa>\u003C\u002Fb> (🥉17 ·  ⭐ 1.2K) - common in-memory tensor structure. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack) (👨‍💻 33 · 🔀 160 · 📋 85 - 28% open · ⏱️ 24.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack\n\t```\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Density functional theory (ML-DFT)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects and models that focus on quantities of DFT, such as density functional approximations (ML-DFA), the charge density, density of states, the Hamiltonian, etc._\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Frodare.hzdr.de\u002Frecord\u002F2720\">IKS-PIML\u003C\u002Fa>\u003C\u002Fb>  - Code and generated data for the paper Inverting the Kohn-Sham equations with physics-informed machine learning.. \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FNeural_operators\">\u003Ccode>neural-operator\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhysics-informed_neural_networks\">\u003Ccode>pinn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Frecords\u002F10616893\">M-OFDFT\u003C\u002Fa>\u003C\u002Fb>  - Overcoming the Barrier of Orbital-Free Density Functional Theory in Molecular Systems Using Deep Learning.. \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fjax_dft\">JAX-DFT\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 38K) - This library provides basic building blocks that can construct DFT calculations as a differentiable program. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research) (👨‍💻 860 · 🔀 8.3K · 📋 1.4K - 75% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala\">MALA\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 98) - Materials Learning Algorithms. A framework for machine learning materials properties from first-principles data. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala) (👨‍💻 47 · 🔀 28 · 📦 2 · 📋 310 - 9% open · ⏱️ 16.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHNet\">QHNet\u003C\u002Fa>\u003C\u002Fb> (🥇14 ·  ⭐ 740) - Artificial Intelligence Research for Science (AIRS). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fandreagrisafi\u002FSALTED\">SALTED\u003C\u002Fa>\u003C\u002Fb> (🥇14 ·  ⭐ 42) - Symmetry-Adapted Learning of Three-dimensional Electron Densities (and their electrostatic response). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fandreagrisafi\u002FSALTED) (👨‍💻 24 · 🔀 6 · 📋 11 - 27% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fandreagrisafi\u002FSALTED\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flcmd-epfl\u002FQ-stack\">Q-stack\u003C\u002Fa>\u003C\u002Fb> (🥇14 ·  ⭐ 19) - Stack of codes for dedicated pre- and post-processing tasks for Quantum Machine Learning (QML). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExcited_state\">\u003Ccode>excited-states\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>general-tool\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flcmd-epfl\u002FQ-stack) (👨‍💻 8 · 🔀 7 · 📋 55 - 12% open · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flcmd-epfl\u002FQ-stack\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN\">HamGNN\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 190) - An E(3) equivariant Graph Neural Network for predicting electronic Hamiltonian matrix. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>C-lang\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN) (👨‍💻 8 · 🔀 44 · 📋 78 - 83% open · ⏱️ 21.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepks-kit\">DeePKS-kit\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 120 · 💤) - a package for developing machine learning-based chemically accurate energy and density functional models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCategory:Density_functional_theory\">\u003Ccode>ml-functional\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepks-kit) (👨‍💻 7 · 🔀 39 · 📋 32 - 46% open · ⏱️ 28.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepks-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEhamiltonians.jl\">ACEhamiltonians\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 17) - Provides tools for constructing, fitting, and predicting self-consistent Hamiltonian and overlap matrices in solid-.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEhamiltonians.jl) (👨‍💻 5 · 🔀 7 · 📋 5 - 40% open · ⏱️ 17.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEhamiltonians.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002FCiderPress\">CiderPress\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 18 · 💤) - A high-performance software package for training and evaluating machine-learned XC functionals using the CIDER.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCategory:Density_functional_theory\">\u003Ccode>ml-functional\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C-lang\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002FCiderPress) (👨‍💻 2 · 🔀 3 · ⏱️ 09.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002FCiderPress\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fciderpress) (📥 48 \u002F month):\n\t```\n\tpip install ciderpress\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio\">dftio\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 15) - dftio is to assist machine learning communities to transcript DFT output into a format that is easy to read or used by.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>data-structures\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio) (👨‍💻 5 · 🔀 10 · 📋 8 - 50% open · ⏱️ 18.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FXiaoxun-Gong\u002FDeepH-E3\">DeepH-E3\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 120) - General framework for E(3)-equivariant neural network representation of density functional theory Hamiltonian. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FXiaoxun-Gong\u002FDeepH-E3) (👨‍💻 2 · 🔀 28 · 📋 40 - 67% open · ⏱️ 27.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FXiaoxun-Gong\u002FDeepH-E3\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 26 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fdeepmind-research\u002Ftree\u002Fmaster\u002Fdensity_functional_approximation_dm21\">DM21\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 15K · 💀) - This package provides a PySCF interface to the DM21 (DeepMind 21) family of exchange-correlation functionals described.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmzjb\u002FDeepH-pack\">DeepH-pack\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 320 · 💀) - Deep neural networks for density functional theory Hamiltonian. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FXanaduAI\u002FGradDFT\">Grad DFT\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 110 · 💀) - GradDFT is a JAX-based library enabling the differentiable design and experimentation of exchange-correlation.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsemodi\u002Fneuralxc\">NeuralXC\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 36 · 💀) - Implementation of a machine learned density functional. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbiklooost\u002FPROPhet\">PROPhet\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 66 · 💀) - PROPhet is a code to integrate machine learning techniques with first-principles quantum chemistry approaches. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsemodi\u002Flibnxc\">Libnxc\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 21 · 💀) - A library for using machine-learned exchange-correlation functionals for density-functional theory. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAIforGreatGood\u002Fcharge3net\">ChargE3Net\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 71 · 💀) - [npj Comp. Mat.] Higher-order equivariant neural networks for charge density prediction in materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgomes-lab\u002FMat2Spec\">Mat2Spec\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 29 · 💀) - Density of States Prediction for Materials Discovery via Contrastive Learning from Probabilistic Embeddings. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSpectroscopy\">\u003Ccode>spectroscopy\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpeterbjorgensen\u002FDeepDFT\">DeepDFT\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 87 · 💀) - Official implementation of DeepDFT model. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkyonofx\u002Fscdp\">scdp (scalable charge density prediction)\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 40 · 💀) - [NeurIPS 2024] source code for A Recipe for Charge Density Prediction. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Fcharge-density-models\">charge-density-models\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 15 · 💀) - Tools to build charge density models using [fairchem](https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpedersor\u002Fksr_dft\">KSR-DFT\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 4 · 💀) - Kohn-Sham regularizer for machine-learned DFT functionals. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmzjb\u002FxDeepH\">xDeepH\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 40 · 💀) - Extended DeepH (xDeepH) method for magnetic materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fccr-cheng\u002FInfGCN-pytorch\">InfGCN for Electron Density Estimation\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 16 · 💀) - Official implementation of the NeurIPS 23 spotlight paper of InfGCN. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FNeural_operators\">\u003Ccode>neural-operator\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fm-stack-org\u002Frho_learn\">rho_learn\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 4 · 💀) - A proof-of-concept workflow for torch-based electron density learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMihailBogojeski\u002Fml-dft\">ML-DFT\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 27 · 💀) - A package for density functional approximation using machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsiddarthachar\u002Fdeepcdp\">DeepCDP\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 6 · 💀) - DeepCDP: Deep learning Charge Density Prediction. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffoxjas\u002FCSNN\">CSNN\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 3 · 💀) - Primary codebase of CSNN - Concentric Spherical Neural Network for 3D Representation Learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Frholearn\">rholearn\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 3 · 💀) - Learning and predicting electronic densities decomposed on a basis and global electronic densities of states at DFT.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDensity_of_states\">\u003Ccode>density-of-states\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fjmargraf\u002Fgprep\">gprep\u003C\u002Fa>\u003C\u002Fb> (🥉4 · 💀) - Fitting DFTB repulsive potentials with GPR. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fofdft_nflows\">ofdft_nflows\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 11 · 💀) - Nomalizing flows for orbita-free DFT. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Femotionor\u002FAPET\">APET\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 6 · 💀) - Atomic Positional Embedding-based Transformer. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDensity_of_states\">\u003Ccode>density-of-states\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmalada\">MALADA\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 1 · 💤) - MALA Data Acquisition: Helpful tools to build data for MALA. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbrunocuevas\u002Fa3md\">A3MD\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 8 · 💀) - MPNN-like + Analytic Density Model = Accurate electron densities. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FStefanoSanvitoGroup\u002FMLdensity\">MLDensity\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 7 · 💀) - Linear Jacobi-Legendre expansion of the charge density for machine learning-accelerated electronic structure.. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fjmargraf\u002Fkdf\">kdft\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 2 · 💀) - The Kernel Density Functional (KDF) code allows generating ML based DFT functionals. \u003Ccode>Unlicensed\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Educational Resources\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Tutorials, guides, cookbooks, recipes, etc._\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fai4science101.github.io\u002F\">AI for Science 101\u003C\u002Fa>\u003C\u002Fb>   \u003Ccode>community-resource\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fsites.utu.fi\u002Fal4ms2023\u002Fmedia-and-tutorials\u002F\">AL4MS 2023 workshop tutorials\u003C\u002Fa>\u003C\u002Fb>   \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.elsevier.com\u002Fbooks-and-journals\u002Fbook-companion\u002F9780323900492\">Quantum Chemistry in the Age of Machine Learning\u003C\u002Fa>\u003C\u002Fb>  - Book, 2022.\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fdmol.pub\u002F\">Deep Learning for Molecules and Materials Book\u003C\u002Fa>\u003C\u002Fb> (🥇13 ·  ⭐ 720) - Deep learning for molecules and materials book. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fdmol-book\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fdmol-book) (👨‍💻 19 · 🔀 130 · 📋 160 - 9% open · ⏱️ 20.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fdmol-book\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fschwallergroup\u002Fai4chem_course\">AI4Chemistry course\u003C\u002Fa>\u003C\u002Fb> (🥇13 ·  ⭐ 260) - EPFL AI for chemistry course, Spring 2023. https:\u002F\u002Fschwallergroup.github.io\u002Fai4chem_course. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>chemistry\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fschwallergroup\u002Fai4chem_course) (👨‍💻 10 · 🔀 59 · 📋 4 - 25% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fschwallergroup\u002Fai4chem_course\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo\u002Fblob\u002Fmain\u002Fgeometric_gnn_101.ipynb\">Geometric GNN Dojo\u003C\u002Fa>\u003C\u002Fb> (🥇12 ·  ⭐ 520) - New to geometric GNNs: try our practical notebook, prepared for MPhil students at the University of Cambridge. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo) (👨‍💻 4 · 🔀 51 · 📋 9 - 22% open · ⏱️ 09.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fatomistic-cookbook\">COSMO Software Cookbook\u003C\u002Fa>\u003C\u002Fb> (🥇12 ·  ⭐ 47) - A collection of simulation recipes for the atomic-scale modeling of materials and molecules. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fatomistic-cookbook) (👨‍💻 20 · 🔀 8 · 📋 33 - 33% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsoftware-cookbook\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faronwalsh\u002FMLforMaterials\">MLforMaterials\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 140) - Online resource for a practical course in machine learning for materials research at Imperial College London.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Faronwalsh\u002FMLforMaterials) (👨‍💻 2 · 🔀 17 · ⏱️ 07.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Faronwalsh\u002FMLforMaterials\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP\">DSECOP\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 52 · 💤) - This repository contains data science educational materials developed by DSECOP Fellows. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CCO-1.0\">CCO-1.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP) (👨‍💻 14 · 🔀 26 · 📋 8 - 12% open · ⏱️ 29.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks\">iam-notebooks\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 37) - Jupyter notebooks for the lectures of the Introduction to Atomistic Modeling. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks) (👨‍💻 6 · 🔀 6 · ⏱️ 14.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJARVIS-Materials-Design\u002Fjarvis-tools-notebooks\">jarvis-tools-notebooks\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 95 · 💤) - This repository is no longer maintained. For the latest updates and continued development, please visit:.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=NIST\">NIST\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FJARVIS-Materials-Design\u002Fjarvis-tools-notebooks) (👨‍💻 6 · 🔀 38 · ⏱️ 10.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FJARVIS-Materials-Design\u002Fjarvis-tools-notebooks\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials\">DeepModeling Tutorials\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 16) - Tutorials for DeepModeling projects. \u003Ccode>Unlicensed\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials) (👨‍💻 12 · 🔀 24 · 📋 4 - 25% open · ⏱️ 11.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-tutorials\">MACE-tutorials\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 55) - Another set of tutorials for the MACE interatomic potential by one of the authors. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-tutorials) (👨‍💻 2 · 🔀 14 · ⏱️ 22.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Filyes319\u002Fmace-tutorials\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 19 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002FDeepLearningLifeSciences\">DeepLearningLifeSciences\u003C\u002Fa>\u003C\u002Fb> (🥇12 ·  ⭐ 400 · 💀) - Example code from the book Deep Learning for the Life Sciences. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fargonne-lcf\u002Fai-science-training-series\">Introduction to AI-driven Science on Supercomputers: A Student Training Series\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 240) -  \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-tutorial-exercises\">OPTIMADE Tutorial Exercises\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 17 · 💀) - Tutorial exercises for the OPTIMADE API. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit-tutorials\">RDKit Tutorials\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 310 · 💀) - Tutorials to learn how to work with the RDKit. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit-tutorials\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthony-wang\u002FBestPractices\">BestPractices\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 200 · 💀) - Things that you should (and should not) do in your Materials Informatics research. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002FMAChINE\">MAChINE\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 1 · 💀) - Client-Server Web App to introduce usage of ML in materials science to beginners. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWardLT\u002Fapplied-ai-for-materials\">Applied AI for Materials\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 73 · 💀) - Course materials for Applied AI for Materials Science and Engineering. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Fml_catalysis_tutorials\">ML for catalysis tutorials\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 11 · 💀) - A jupyter book repo for tutorial on how to use OCP ML models for catalysis. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FDoE_Course_Material\">Data Handling, DoE and Statistical Analysis for Material Chemists\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 4 · 💀) - Notebooks for workshops of DoE course, hosted by the Computational Materials Chemistry group at Uppsala University. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAI4Science101\">AI4Science101\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 99 · 💀) - AI for Science. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002FMLSummerSchoolVienna2022\">Machine Learning for Materials Hard and Soft\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 39 · 💀) - ESI-DCAFM-TACO-VDSP Summer School on Machine Learning for Materials Hard and Soft. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBingqingCheng\u002FML-in-chemistry-101\">ML-in-chemistry-101\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 87 · 💀) - The course materials for Machine Learning in Chemistry 101. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fmatsciedu.github.io\u002FDSM-CORE\">DSM-CORE\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 16 · 💤) - Data Science for Materials - Collection of Open Educational Resources. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgabor1\u002Fchemrev-gpr\">chemrev-gpr\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 12 · 💀) - Notebooks accompanying the paper on GPR in materials and molecules in Chemical Reviews 2020. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fai4chemmat\u002Fai4chemmat.github.io\">AI4ChemMat Hands-On Series\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 1 · 💀) - Hands-On Series organized by Chemistry and Materials working group at Argonne Nat Lab. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN_lab\">PiNN Lab\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 3 · 💀) - Material for running a lab session on atomic neural networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbfocassio\u002FMLDensity_tutorial\">MLDensity_tutorial\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 12 · 💀) - Tutorial files to work with ML for the charge density in molecules and solids. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvictorprincipe\u002Fpair_potentials\">LAMMPS-style pair potentials with GAP\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 4 · 💀) - A tutorial on how to create LAMMPS-style pair potentials and use them in combination with GAP potentials to run MD.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala_tutorial\">MALA Tutorial\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 2 · 💀) - A full MALA hands-on tutorial. \u003Ccode>Unlicensed\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Explainable Artificial intelligence (XAI)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on explainability and model interpretability in atomistic ML._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol\">exmol\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 350 · 💤) - Explainer for black box models that predict molecule properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol) (👨‍💻 9 · 🔀 46 · 📋 72 - 8% open · ⏱️ 08.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fexmol) (📥 4.3K \u002F month · 📦 3 · ⏱️ 08.05.2025):\n\t```\n\tpip install exmol\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 3 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fgraph_attention_student\">MEGAN: Multi Explanation Graph Attention Student\u003C\u002Fa>\u003C\u002Fb> (🥈3 ·  ⭐ 12) - Minimal implementation of graph attention student model architecture. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCitrineInformatics-ERD-public\u002Flinear-vs-blackbox\">Linear vs blackbox\u003C\u002Fa>\u003C\u002Fb> (🥈3 ·  ⭐ 2 · 💀) - Code and data related to the publication: Interpretable models for extrapolation in scientific machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkwang3939\u002FXElemNet\">XElemNet\u003C\u002Fa>\u003C\u002Fb> (🥉2 · 💀) - Using explainable artificial intelligence (XAI) techniques to analyze ElemNet... \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Electronic structure methods (ML-ESM)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects and models that focus on quantities of electronic structure methods, which do not fit into either of the categories ML-WFT or ML-DFT._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB\">DeePTB\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 100) - DeePTB: A deep learning package for tight-binding Hamiltonian with ab initio accuracy. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB) (👨‍💻 15 · 🔀 27 · 📦 4 · 📋 59 - 32% open · ⏱️ 19.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdptb) (📥 150 \u002F month):\n\t```\n\tpip install dptb\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 5 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmasashitsubaki\u002FQuantumDeepField_molecule\">QDF for molecule\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 230 · 💀) - Quantum deep field: data-driven wave function, electron density generation, and energy prediction and extrapolation.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"http:\u002F\u002Fqmlearn.rutgers.edu\u002F\">QMLearn\u003C\u002Fa>\u003C\u002Fb> (🥈5 ·  ⭐ 12 · 💀) - Quantum Machine Learning by learning one-body reduced density matrices in the AO basis... \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fjmargraf\u002Fqpac\">q-pac\u003C\u002Fa>\u003C\u002Fb> (🥈5 ·  ⭐ 6 · 💀) - Kernel charge equilibration method. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fecignoni\u002Fhalex\">halex\u003C\u002Fa>\u003C\u002Fb> (🥈5 ·  ⭐ 4 · 💀) - Hamiltonian Learning for Excited States https:\u002F\u002Fdoi.org\u002F10.48550\u002FarXiv.2311.00844. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExcited_state\">\u003Ccode>excited-states\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuhrin\u002Fe3psi\">e3psi\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 7 · 💀) - Equivariant machine learning library for learning from electronic structures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## General Tools\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_General tools for atomistic machine learning._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit\">RDKit\u003C\u002Fa>\u003C\u002Fb> (🥇39 ·  ⭐ 3.4K) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit) (👨‍💻 270 · 🔀 960 · 📦 3 · 📋 4.3K - 15% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Frdkit) (📥 5M \u002F month · 📦 1.5K · ⏱️ 02.03.2026):\n\t```\n\tpip install rdkit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Frdkit\u002Frdkit) (📥 2.6M · ⏱️ 25.03.2025):\n\t```\n\tconda install -c rdkit rdkit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem\">DeepChem\u003C\u002Fa>\u003C\u002Fb> (🥇34 ·  ⭐ 6.6K) - Democratizing Deep-Learning for Drug Discovery, Quantum Chemistry, Materials Science and Biology. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem) (👨‍💻 260 · 🔀 2.1K · 📦 660 · 📋 1.8K - 27% open · ⏱️ 20.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepchem) (📥 40K \u002F month):\n\t```\n\tpip install deepchem\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdeepchem) (📥 120K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge deepchem\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepchemio\u002Fdeepchem) (📥 9.4K · ⭐ 5 · ⏱️ 15.07.2025):\n\t```\n\tdocker pull deepchemio\u002Fdeepchem\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer\">Matminer\u003C\u002Fa>\u003C\u002Fb> (🥇32 ·  ⭐ 580) - Data mining for materials science. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer) (👨‍💻 57 · 🔀 210 · 📦 480 · 📋 230 - 12% open · ⏱️ 10.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatminer) (📥 580K \u002F month · 📦 86 · ⏱️ 22.01.2026):\n\t```\n\tpip install matminer\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fmatminer) (📥 110K · ⏱️ 23.01.2026):\n\t```\n\tconda install -c conda-forge matminer\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP\">QUIP\u003C\u002Fa>\u003C\u002Fb> (🥈26 ·  ⭐ 390) - libAtoms\u002FQUIP molecular dynamics framework: https:\u002F\u002Flibatoms.github.io. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP) (👨‍💻 86 · 🔀 130 · 📥 860 · 📦 46 · 📋 490 - 23% open · ⏱️ 30.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fquippy-ase) (📥 3.3K \u002F month · 📦 9 · ⏱️ 30.01.2026):\n\t```\n\tpip install quippy-ase\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Flibatomsquip\u002Fquip) (📥 10K · ⭐ 4 · ⏱️ 24.04.2023):\n\t```\n\tdocker pull libatomsquip\u002Fquip\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\">JARVIS-Tools\u003C\u002Fa>\u003C\u002Fb> (🥈24 ·  ⭐ 370 · 💤) - About JARVIS-Tools: an open-source software package for data-driven atomistic materials design. Publications:.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\u002Fblob\u002Fmaster\u002FLICENSE.rst\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis) (👨‍💻 16 · 🔀 140 · 📋 95 - 52% open · ⏱️ 25.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fjarvis-tools) (📥 110K \u002F month · 📦 40 · ⏱️ 21.03.2026):\n\t```\n\tpip install jarvis-tools\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fjarvis-tools) (📥 130K · ⏱️ 02.01.2026):\n\t```\n\tconda install -c conda-forge jarvis-tools\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmaml\">MAML\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 450) - Python for Materials Machine Learning, Materials Descriptors, Machine Learning Force Fields, Deep Learning, etc. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmaml) (👨‍💻 39 · 🔀 94 · 📦 17 · 📋 76 - 14% open · ⏱️ 14.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmaml\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmaml) (📥 910 \u002F month · 📦 3 · ⏱️ 02.04.2025):\n\t```\n\tpip install maml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat\">Molfeat\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 220 · 💤) - molfeat - the hub for all your molecular featurizers. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat) (👨‍💻 19 · 🔀 27 · 📦 73 · 📋 61 - 27% open · ⏱️ 27.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmolfeat) (📥 6.6K \u002F month · 📦 13 · ⏱️ 27.05.2025):\n\t```\n\tpip install molfeat\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fmolfeat) (📥 42K · ⏱️ 30.05.2025):\n\t```\n\tconda install -c conda-forge molfeat\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpycroscopy\u002Fatomai\">AtomAI\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 230 · 💤) - Deep and Machine Learning for Microscopy. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FComputer_vision\">\u003Ccode>computer-vision\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FUnsupervised_learning\">\u003Ccode>USL\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>experimental-data\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fpycroscopy\u002Fatomai) (👨‍💻 6 · 🔀 41 · 📦 13 · 📋 20 - 55% open · ⏱️ 23.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fpycroscopy\u002Fatomai\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fatomai) (📥 810 \u002F month · 📦 1 · ⏱️ 23.06.2025):\n\t```\n\tpip install atomai\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter\">Scikit-Matter\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 93) - A collection of scikit-learn compatible utilities that implement methods born out of the materials science and.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>scikit-learn\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter) (👨‍💻 20 · 🔀 25 · 📥 19 · 📋 81 - 23% open · ⏱️ 19.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fskmatter) (📥 3.1K \u002F month):\n\t```\n\tpip install skmatter\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fskmatter) (📥 6.3K · ⏱️ 08.01.2026):\n\t```\n\tconda install -c conda-forge skmatter\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fuw-cmg\u002FMAST-ML\">MAST-ML\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 130) - MAterials Simulation Toolkit for Machine Learning (MAST-ML). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fuw-cmg\u002FMAST-ML) (👨‍💻 19 · 🔀 61 · 📥 160 · 📋 220 - 14% open · ⏱️ 10.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fuw-cmg\u002FMAST-ML\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\">Artificial Intelligence for Science (AIRS)\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 740) - Artificial Intelligence Research for Science (AIRS). \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL-3.0%20license\">GPL-3.0 license\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-WFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdralgroup\u002Fmlatom\">MLatom\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 140) - AI-enhanced computational chemistry. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-ESM\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>transfer-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSpectroscopy\">\u003Ccode>spectroscopy\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdralgroup\u002Fmlatom) (👨‍💻 6 · 🔀 17 · 📋 8 - 37% open · ⏱️ 09.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdralgroup\u002Fmlatom\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlatom) (📥 800 \u002F month · ⏱️ 09.03.2026):\n\t```\n\tpip install mlatom\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 12 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fautomatminer\">Automatminer\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 170 · 💀) - An automatic engine for predicting materials properties. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fautomatminer\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAutomated_machine_learning\">\u003Ccode>autoML\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fqmlcode\u002Fqml\">QML\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 210 · 💀) - QML: Quantum Machine Learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyoshida-lab\u002FXenonPy\">XenonPy\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 150 · 💀) - XenonPy is a Python Software for Materials Informatics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Famptorch\">AMPtorch\u003C\u002Fa>\u003C\u002Fb> (🥉11 ·  ⭐ 61 · 💀) - AMPtorch: Atomistic Machine Learning Package (AMP) - PyTorch. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMariewelt\u002FOpenChem\">OpenChem\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 740 · 💀) - OpenChem: Deep Learning toolkit for Computational Chemistry and Drug Design Research. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fjaxchem\">JAXChem\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 81 · 💀) - JAXChem is a JAX-based deep learning library for complex and versatile chemical modeling. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Funcertainty_benchmarking\">uncertainty_benchmarking\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 43 · 💀) - Various code\u002Fnotebooks to benchmark different ways we could estimate uncertainty in ML predictions. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Ftorchchem\">torchchem\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 38 · 💀) - An experimental repo for experimenting with PyTorch models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fequisolve\">Equisolve\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 5 · 💀) - A ML toolkit package utilizing the metatensor data format to build models for the prediction of equivariant properties.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhgheiberger\u002Fquantum-structure-ml\">quantum-structure-ml\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 3 · 💀) - Multi-class classification model for predicting the magnetic order of magnetic structures and a binary classification.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEatoms.jl\">ACEatoms\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 2 · 💀) - Generic code for modelling atomic properties using ACE. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEatoms.jl\u002Fblob\u002Fmain\u002FASL.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fbitbucket.org\u002Fwolverton\u002Fmagpie\u002F\">Magpie\u003C\u002Fa>\u003C\u002Fb> (🥉3) - Materials Agnostic Platform for Informatics and Exploration (Magpie). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Java\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Generative Models\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that implement generative models for atomistic ML._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\">GT4SD\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 370) - GT4SD, an open-source library to accelerate hypothesis generation in the scientific discovery process. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core) (👨‍💻 20 · 🔀 78 · 📋 110 - 1% open · ⏱️ 18.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgt4sd) (📥 1.1K \u002F month):\n\t```\n\tpip install gt4sd\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES\">SLICES and MatterGPT\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 140) - SLICES: An Invertible, Invariant, and String-based Crystal Representation [2023, Nature Communications] MatterGPT,.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>language-models\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>structure-prediction\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES) (👨‍💻 2 · 🔀 58 · 📦 7 · 📋 16 - 18% open · ⏱️ 03.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fslices) (📥 200 \u002F month):\n\t```\n\tpip install slices\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fxiaohang07\u002Fslices) (📥 740 · ⭐ 1 · ⏱️ 14.10.2025):\n\t```\n\tdocker pull xiaohang07\u002Fslices\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fsynspace\">synspace\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 48 · 💤) - Synthesis generative model. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fsynspace) (👨‍💻 2 · 🔀 4 · 📦 36 · 📋 4 - 50% open · ⏱️ 24.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fsynspace\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsynspace) (📥 4.4K \u002F month · 📦 4 · ⏱️ 24.04.2025):\n\t```\n\tpip install synspace\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet\">SchNetPack G-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 64) - G-SchNet extension for SchNetPack. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet) (👨‍💻 3 · 🔀 11 · ⏱️ 13.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRokasEl\u002Fsimgen\">SiMGen\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 29 · 💤) - Zero Shot Molecular Generation via Similarity Kernels. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>viz\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRokasEl\u002Fsimgen) (👨‍💻 4 · 🔀 5 · 📦 2 · 📋 5 - 20% open · ⏱️ 27.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRokasEl\u002Fsimgen\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsimgen) (📥 19 \u002F month):\n\t```\n\tpip install simgen\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 12 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmolecule-generation\">MoLeR\u003C\u002Fa>\u003C\u002Fb> (🥇15 ·  ⭐ 320 · 💀) - Implementation of MoLeR: a generative model of molecular graphs which supports scaffold-constrained generation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhspark1212\u002FMOFTransformer\">PMTransformer\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 120 · 💀) - Universal Transfer Learning in Porous Materials, including MOFs. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>transfer-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fehoogeboom\u002Fe3_diffusion_for_molecules\">EDM\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 560 · 💀) - E(3) Equivariant Diffusion Model for Molecule Generation in 3D. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FG-SchNet\">G-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 140 · 💀) - G-SchNet - a generative model for 3d molecular structures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftsudalab\u002FbVAE-IM\">bVAE-IM\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 14 · 💀) - Implementation of Chemical Design with GPU-based Ising Machine. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FQuantum_machine_learning\">\u003Ccode>QML\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faksub99\u002Fmolecular-vae\">molecular-vae\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 71 · 💀) - Pytorch implementation of the paper Automatic Chemical Design Using a Data-Driven Continuous Representation of.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FcG-SchNet\">cG-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 65 · 💀) - cG-SchNet - a conditional generative neural network for 3d molecular structures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fterraytherapeutics\u002FCOATI\">COATI\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 120 · 💀) - COATI: multi-modal contrastive pre-training for representing and traversing chemical space. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftsudalab\u002Frxngenerator\">rxngenerator\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 14 · 💀) - A generative model for molecular generation via multi-step chemical reactions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftsudalab\u002FMolSLEPA\">MolSLEPA\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 7 · 💀) - Interpretable Fragment-based Molecule Design with Self-learning Entropic Population Annealing. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Farnoldjulian\u002FMapping-out-phase-diagrams-with-generative-classifiers\">Mapping out phase diagrams with generative classifiers\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 8 · 💀) - Repository for our ``Mapping out phase diagrams with generative models paper. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhase_transition\">\u003Ccode>phase-transition\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMCobe94\u002Fdescriptors-inversion\">descriptors-inversion\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 6 · 💀) - Local inversion of the chemical environment representations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Interatomic Potentials (ML-IAP)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Machine learning interatomic potentials (aka ML-IAP, MLIAP, MLIP, MLP) and force fields (ML-FF) for molecular dynamics._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip\">NequIP\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 880) - NequIP is a code for building E(3)-equivariant interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip) (👨‍💻 39 · 🔀 200 · 📦 45 · 📋 120 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fnequip) (📥 160K \u002F month · 📦 17 · ⏱️ 25.03.2026):\n\t```\n\tpip install nequip\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fnequip) (📥 21K · ⏱️ 25.03.2026):\n\t```\n\tconda install -c conda-forge nequip\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DeePMD-kit\u003C\u002Fa>\u003C\u002Fb> (🥇29 ·  ⭐ 1.9K) - A deep learning package for many-body potential energy representation and molecular dynamics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit) (👨‍💻 84 · 🔀 580 · 📥 68K · 📦 46 · 📋 980 - 9% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepmd-kit) (📥 6.2K \u002F month):\n\t```\n\tpip install deepmd-kit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 3.6K · ⏱️ 25.03.2025):\n\t```\n\tconda install -c deepmodeling deepmd-kit\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):\n\t```\n\tdocker pull deepmodeling\u002Fdeepmd-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem\">fairchem\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 2K · 📉) - FAIR Chemistrys library of machine learning methods for chemistry. Formerly known as Open Catalyst Project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani\">TorchANI\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 540) - TorchANI 2.0 is an open-source library that supports training, development, and research of ANI-style neural network.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani) (👨‍💻 22 · 🔀 140 · 📦 72 · 📋 180 - 4% open · ⏱️ 15.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftorchani) (📥 4.8K \u002F month · 📦 15 · ⏱️ 17.11.2025):\n\t```\n\tpip install torchani\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Ftorchani) (📥 1.2M · ⏱️ 23.01.2026):\n\t```\n\tconda install -c conda-forge torchani\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatcalc\">MatCalc\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 130) - A python library for calculating materials properties from the PES. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatcalc) (👨‍💻 23 · 🔀 34 · 📦 22 · 📋 37 - 16% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatcalc\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatcalc) (📥 2.4K \u002F month):\n\t```\n\tpip install matcalc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatrain\">Metatrain\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 62) - Train, fine-tune, and manipulate machine learning models for atomistic systems. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatrain) (👨‍💻 31 · 🔀 24 · 📥 73 · 📦 14 · 📋 280 - 27% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatrain\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmetatrain) (📥 12K \u002F month):\n\t```\n\tpip install metatrain\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace\">MACE\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 1.1K) - MACE - Fast and accurate machine learning interatomic potentials with higher order equivariant message passing. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace) (👨‍💻 69 · 🔀 390 · 📋 580 - 20% open · ⏱️ 01.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\">TorchMD-NET\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 470) - Training neural network potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net) (👨‍💻 20 · 🔀 94 · 📥 180 · 📋 120 - 25% open · ⏱️ 17.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Ftorchmd-net) (📥 780K · ⏱️ 18.03.2026):\n\t```\n\tconda install -c conda-forge torchmd-net\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fstfc\u002Fjanus-core\">janus-core\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 44) - Tools for machine learnt interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fstfc\u002Fjanus-core) (👨‍💻 11 · 🔀 17 · 📥 240 · 📦 15 · 📋 300 - 13% open · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fstfc\u002Fjanus-core\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fjanus-core) (📥 2.9K \u002F month):\n\t```\n\tpip install janus-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fapax-hub\u002Fapax\">apax\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 36) - A flexible and performant framework for training machine learning potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fapax-hub\u002Fapax) (👨‍💻 11 · 🔀 7 · 📦 7 · 📋 180 - 17% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fapax-hub\u002Fapax\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fapax) (📥 280 \u002F month · 📦 2 · ⏱️ 18.03.2026):\n\t```\n\tpip install apax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff\">KLIFF\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 40) - KIM-based Learning-Integrated Fitting Framework for interatomic potentials. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff) (👨‍💻 14 · 🔀 22 · 📦 4 · 📋 57 - 42% open · ⏱️ 28.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fkliff) (📥 71 \u002F month · ⏱️ 11.04.2025):\n\t```\n\tpip install kliff\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fkliff) (📥 210K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge kliff\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fallegro\">Allegro\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 470) - Allegro is an open-source code for building highly scalable and accurate equivariant deep learning interatomic.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fallegro) (👨‍💻 9 · 🔀 73 · 📋 50 - 2% open · ⏱️ 24.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fallegro\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fstefanch\u002FsGDML\">sGDML\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 170 · 💤) - sGDML - Reference implementation of the Symmetric Gradient Domain Machine Learning model. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fstefanch\u002FsGDML) (👨‍💻 8 · 🔀 42 · 📦 13 · 📋 22 - 50% open · ⏱️ 13.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fstefanch\u002FsGDML\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsgdml) (📥 710 \u002F month · 📦 2 · ⏱️ 13.06.2025):\n\t```\n\tpip install sgdml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fautoatml\u002Fautoplex\">Autoplex\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 140) - Code for automated fitting of machine learned interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fautoatml\u002Fautoplex) (👨‍💻 14 · 🔀 22 · 📦 2 · 📋 140 - 25% open · ⏱️ 09.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fautoatml\u002Fautoplex\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fautoplex) (📥 51 \u002F month · ⏱️ 14.11.2025):\n\t```\n\tpip install autoplex\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvldgroup\u002Fgraph-pes\">Graph-PES\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 120) - train and use graph-based ML models of potential energy surfaces. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fvldgroup\u002Fgraph-pes) (👨‍💻 5 · 🔀 13 · 📦 3 · 📋 17 - 17% open · ⏱️ 20.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fgraph-pes\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgraph-pes) (📥 3.7K \u002F month · 📦 2 · ⏱️ 20.02.2026):\n\t```\n\tpip install graph-pes\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbasf\u002Fmlipx\">MLIPX - Machine-Learned Interatomic Potential eXploration\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 98) - Machine-Learned Interatomic Potential eXploration (mlipx) is designed at BASF for evaluating machine-learned.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>viz\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbasf\u002Fmlipx) (👨‍💻 5 · 🔀 8 · 📦 6 · 📋 18 - 33% open · ⏱️ 16.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbasf\u002Fmlipx\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlipx) (📥 1.3K \u002F month · ⏱️ 09.06.2025):\n\t```\n\tpip install mlipx\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FNeuralForceField\">Neural Force Field\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 290) - Neural Network Force Field based on PyTorch. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FNeuralForceField) (👨‍💻 45 · 🔀 61 · 📋 23 - 21% open · ⏱️ 10.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FNeuralForceField\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002FNNPOps\">NNPOps\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 100) - High-performance operations for neural network potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenmm\u002FNNPOps) (👨‍💻 11 · 🔀 18 · 📋 59 - 35% open · ⏱️ 04.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenmm\u002FNNPOps\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fnnpops) (📥 660K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge nnpops\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fworkflow\">wfl\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 43 · 📈) - Workflow is a Python toolkit for building interatomic potential creation and atomistic simulation workflows. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fworkflow) (👨‍💻 20 · 🔀 21 · 📦 5 · 📋 170 - 40% open · ⏱️ 22.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fworkflow\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002Fn2p2\">n2p2\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 240 · 💤) - n2p2 - A Neural Network Potential Package. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002Fn2p2) (👨‍💻 13 · 🔀 88 · 📋 150 - 43% open · ⏱️ 17.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002Fn2p2\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-jax\">MACE-Jax\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 91) - Equivariant machine learning interatomic potentials in JAX. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-jax) (👨‍💻 5 · 🔀 21 · 📋 10 - 50% open · ⏱️ 10.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-jax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN\">PiNN\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 120) - A Python library for building atomic neural networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN) (👨‍💻 8 · 🔀 39 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fteoroo\u002Fpinn) (📥 740 · ⏱️ 26.03.2026):\n\t```\n\tdocker pull teoroo\u002Fpinn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\">tinker-hp\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 100) - Tinker-HP: High-Performance Massively Parallel Tinker for CPUs & GPUs. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\u002Fblob\u002Fmaster\u002Flicense-Tinker.pdf\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp) (👨‍💻 12 · 🔀 26 · 📋 29 - 24% open · ⏱️ 26.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn\">DeepMD-GNN\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 53) - DeePMD-kit plugin for various graph neural network models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn) (👨‍💻 7 · 🔀 8 · 📋 17 - 35% open · ⏱️ 13.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002FALF\">ALF\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 39) - A framework for performing active learning for training machine-learned interatomic potentials. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002FALF\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flanl\u002FALF) (👨‍💻 8 · 🔀 13 · ⏱️ 21.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flanl\u002Falf\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEfit.jl\">ACEfit\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 8) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEfit.jl) (👨‍💻 10 · 🔀 8 · 📋 60 - 38% open · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEfit.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbigd4\u002FPyNEP\">PyNEP\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 69) - A python interface of the machine learning potential NEP used in GPUMD. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbigd4\u002FPyNEP) (👨‍💻 10 · 🔀 17 · 📋 14 - 42% open · ⏱️ 27.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbigd4\u002FPyNEP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fspozdn\u002Fpet\">Point Edge Transformer (PET)\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 34 · 💤) - Point Edge Transformer. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fspozdn\u002Fpet) (👨‍💻 9 · 🔀 7 · ⏱️ 18.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fspozdn\u002Fpet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Facesuit.github.io\u002F\">ACE1.jl\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 23 · 💤) - Atomic Cluster Expansion for Modelling Invariant Atomic Properties. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1.jl\u002Fblob\u002Fmain\u002FASL.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1.jl) (👨‍💻 9 · 🔀 7 · 📋 46 - 47% open · ⏱️ 15.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap\">TurboGAP\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 20) - The TurboGAP code. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap\u002Fblob\u002Fmaster\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap) (👨‍💻 8 · 🔀 13 · 📋 12 - 66% open · ⏱️ 05.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Flibatoms.github.io\u002F\">GAP\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 46) - Gaussian Approximation Potential (GAP). \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FGAP\u002Fblob\u002Fmain\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FGAP) (👨‍💻 13 · 🔀 20 · ⏱️ 03.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FGAP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMMunibas\u002FAsparagus\">Asparagus\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 12) - Program Package for Sampling, Training and Applying ML-based Potential models https:\u002F\u002Fdoi.org\u002F10.48550\u002FarXiv.2407.15175. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>sampling\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMMunibas\u002FAsparagus) (👨‍💻 11 · 🔀 6 · ⏱️ 25.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMMunibas\u002FAsparagus\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRowleyGroup\u002FMLXDM\">MLXDM\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 9 · 💤) - A Neural Network Potential with Rigorous Treatment of Long-Range Dispersion https:\u002F\u002Fdoi.org\u002F10.1039\u002FD2DD00150K. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>long-range\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRowleyGroup\u002FMLXDM) (👨‍💻 7 · 🔀 2 · ⏱️ 12.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRowleyGroup\u002FMLXDM\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 45 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmegnet\">MEGNet\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 560 · 💀) - Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultifidelity_simulation\">\u003Ccode>multifidelity\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fuf3\u002Fuf3\">Ultra-Fast Force Fields (UF3)\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 70 · 💀) - UF3: a python library for generating ultra-fast interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterSim\u002FPyXtal_FF\">PyXtalFF\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 94 · 💀) - Machine Learning Interatomic Potential Predictions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fcortner.github.io\u002FACEweb\u002Fsoftware\u002F\">Pacemaker\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 110 · 💀) - Python package for fitting atomic cluster expansion (ACE) potentials. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Fpython-ace\u002Fblob\u002Fmaster\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjparkhill\u002FTensorMol\">TensorMol\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 280 · 💀) - Tensorflow + Molecules = TensorMol. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FASE_ANI\">ANI-1\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 230 · 💀) - ANI-1 neural net potential with python interface (ASE). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fthorben-frank\u002Fmlff\">So3krates (MLFF)\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 130 · 💀) - Build neural networks for machine learning force fields with JAX. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSIMPLE-NN\">SIMPLE-NN\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 48 · 💀) - SIMPLE-NN(SNU Interatomic Machine-learning PotentiaL packagE version Neural Network). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fmaterials-modeling\u002Fcalorine\">calorine\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 15 · 💀) - A Python package for constructing and sampling neuroevolution potential models. https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.06264. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fmaterials-modeling\u002Fcalorine\u002F-\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FCCS\">CCS_fit\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 10 · 💀) - Curvature Constrained Splines. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fdimenet\">DimeNet\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 350 · 💀) - DimeNet and DimeNet++ models, as proposed in Directional Message Passing for Molecular Graphs (ICLR 2020) and Fast and.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fdimenet\u002Fblob\u002Fmaster\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FSchNet\">SchNet\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 290 · 💀) - SchNet - a deep learning architecture for quantum chemistry. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTUM-DAML\u002Fgemnet_pytorch\">GemNet\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 220 · 💀) - GemNet model in PyTorch, as proposed in GemNet: Universal Directional Graph Neural Networks for Molecules (NeurIPS.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTUM-DAML\u002Fgemnet_pytorch\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE.jl\">ACE.jl\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 67 · 💀) - Parameterisation of Equivariant Properties of Particle Systems. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE.jl\u002Fblob\u002Fmain\u002Flicense\u002Fmit.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomicarchitects\u002Fequiformer_v2\">EquiformerV2\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 330 · 💀) - [ICLR 2024] EquiformerV2: Improved Equivariant Transformer for Scaling to Higher-Degree Representations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002Faimnet\">AIMNet\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 110 · 💀) - Atoms In Molecules Neural Network Potential. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSIMPLE-NN_v2\">SIMPLE-NN v2\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 43 · 💀) - SIMPLE-NN is an open package that constructs Behler-Parrinello-type neural-network interatomic potentials from ab.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FAtomistic-Adversarial-Attacks\">Atomistic Adversarial Attacks\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 40 · 💀) - Code for performing adversarial attacks on atomistic systems using NN potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fsnap\">SNAP\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 38 · 💀) - Repository for spectral neighbor analysis potential (SNAP) model development. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002FNNsForMD\">NNsforMD\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 11 · 💀) - Neural network class for molecular dynamics to predict potential energy, forces and non-adiabatic couplings. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHSE-LAMBDA\u002FMEGNetSparse\">MEGNetSparse\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 5 · 💀) - A library imlementing a graph neural network with sparse representation from Code for Kazeev, N., Al-Maeeni, A.R.,.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>material-defect\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMMunibas\u002FPhysNet\">PhysNet\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 110 · 💀) - Code for training PhysNet models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FElliottKasoar\u002Faiida-mlip\">aiida-mlip\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 1 · 📉) - machine learning interatomic potentials aiida plugin. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fashapeev\u002Fmlip-3\">MLIP-3\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 27 · 💀) - MLIP-3: Active learning on atomic environments with Moment Tensor Potentials (MTP). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3rqEWVr\">BSD-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Ftesting-framework\">testing-framework\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 11 · 💀) - The purpose of this repository is to aid the testing of a large number of interatomic potentials for a variety of.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002FPANNAdevs\u002Fpanna\">PANNA\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 11 · 💀) - A package to train and validate all-to-all connected network models for BP[1] and modified-BP[2] type local atomic.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLuthaf\u002Falchemical-learning\">Alchemical learning\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 3 · 💀) - Code for the Modeling high-entropy transition metal alloys with alchemical compression article. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=defects+and+disorder+in+materials\">\u003Ccode>Defects & Disorder\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcometscome\u002FBPNET\">BPNET\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 3 · 💤) - Fast Behler-Parrinello type neural networks in Fortran2008. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1pack.jl\">ACE1Pack.jl\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 1 · 💀) - Provides convenience functionality for the usage of ACE1.jl, ACEfit.jl, JuLIP.jl for fitting interatomic potentials.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsirmarcel\u002Fglp\">glp\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 26 · 💀) - tools for graph-based machine-learning potentials in jax. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmariogeiger\u002Fnequip-jax\">NequIP-JAX\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 24 · 💀) - JAX implementation of the NequIP interatomic potential. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fibayashi-hikaru\u002Fallegro-legato\">Allegro-Legato\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 21 · 💀) - An extension of Allegro with enhanced robustness and time-to-failure. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fcortner.github.io\u002FACEweb\u002Fsoftware\u002F\">TensorPotential\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 13 · 💀) - Tensorpotential is a TensorFlow based tool for development, fitting ML interatomic potentials from electronic.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002FTensorPotential\u002Fblob\u002Fmain\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fzaverkin_v\u002Fgmnn\">GN-MM\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 11 · 💀) - The Gaussian Moment Neural Network (GM-NN) package developed for large-scale atomistic simulations employing atomistic.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>magnetism\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatml\">MatML\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 9) - Full MatML Docker image, including MatGL, MatCalc, MatPES and LAMMPS with ML-GNNP and ML-SNAP. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAaltoRSE\u002FPeriodicPotentials\">PeriodicPotentials\u003C\u002Fa>\u003C\u002Fb> (🥉4 · 💀) - A Periodic table app that displays potentials based on the selected elements. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>viz\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>JavaScript\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmariogeiger\u002Fallegro-jax\">Allegro-JAX\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 22 · 💤) - JAX implementation of the Allegro interatomic potential. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEworkflows\">ACE Workflows\u003C\u002Fa>\u003C\u002Fb> (🥉3 · 💀) - Workflow Examples for ACE Models. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fflame-code\u002FPyFLAME\">PyFLAME\u003C\u002Fa>\u003C\u002Fb> (🥉3 · 💀) - An automated approach for developing neural network interatomic potentials with FLAME.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>structure-prediction\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flmj1029123\u002FSingleNN\">SingleNN\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 9 · 💀) - An efficient package for training and executing neural-network interatomic potentials. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmttrin93\u002Fmag-ace\">mag-ace\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 5 · 💤) - Magnetic ACE potential. FORTRAN interface for LAMMPS SPIN package. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Floilisxka\u002FAisNet\">AisNet\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 3 · 💀) - A Universal Interatomic Potential Neural Network with Encoded Local Environment Features.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.uni-goettingen.de\u002Fde\u002F560580.html\">RuNNer\u003C\u002Fa>\u003C\u002Fb> (🥉2) - The RuNNer Neural Network Energy Representation is a Fortran-based framework for the construction of Behler-.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fnnp-pre-training\">nnp-pre-training\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 6 · 💀) - Synthetic pre-training for neural-network interatomic potentials. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcesmix-mit\u002FMLP\">mlp\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 1 · 💀) - Proper orthogonal descriptors for efficient and accurate interatomic potentials... \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Language Models\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that use (large) language models (LMs, LLMs) or natural language procesing (NLP) techniques for atomistic ML._\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fjablonkagroup\u002FMaCBench-Leaderboard\">MaCBench Leaderboard\u003C\u002Fa>\u003C\u002Fb>  - Leaderboard for multimodal language models for chemistry & materials research. \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchembench\">ChemBench\u003C\u002Fa>\u003C\u002Fb> (🥇19 ·  ⭐ 140) - How good are LLMs at chemistry?. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchembench) (👨‍💻 15 · 🔀 16 · 📦 3 · 📋 340 - 16% open · ⏱️ 11.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchembench\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchembench) (📥 1.1K \u002F month):\n\t```\n\tpip install chembench\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Ffuturehouse.gitbook.io\u002Ffuturehouse-cookbook\">paper-qa\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 8.3K) - LLM Chain for answering questions from docs. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub]() (🔀 840):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fpaper-qa\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpaper-qa) (📥 28K \u002F month · 📦 24 · ⏱️ 18.03.2026):\n\t```\n\tpip install paper-qa\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FYeonghun1675\u002FChatMOF\">ChatMOF\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 110 · 💤) - Predict and Inverse design for metal-organic framework with large-language models (llms). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FYeonghun1675\u002FChatMOF) (👨‍💻 2 · 🔀 21 · 📦 3 · ⏱️ 15.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FYeonghun1675\u002FChatMOF\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchatmof) (📥 350 \u002F month):\n\t```\n\tpip install chatmof\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt\">AtomGPT\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 50 · 💤) - https:\u002F\u002Fatomgpt.org. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt\u002Fblob\u002Fmain\u002FLICENSE.rst\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt) (👨‍💻 7 · 🔀 10 · ⏱️ 21.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fatomgpt) (📥 72 \u002F month · 📦 1 · ⏱️ 22.03.2025):\n\t```\n\tpip install atomgpt\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fllamp\">LLaMP\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 91) - [EMNLP 25] A web app and Python API for multi-modal RAG framework to ground LLMs on high-fidelity materials.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation\">\u003Ccode>RAG\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fllamp) (👨‍💻 6 · 🔀 14 · 📋 25 - 32% open · ⏱️ 11.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fllamp\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvertaix\u002FLLM-Prop\">LLM-Prop\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 53) - A repository for the LLM-Prop implementation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fvertaix\u002FLLM-Prop) (👨‍💻 7 · 🔀 11 · 📋 3 - 66% open · ⏱️ 31.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fvertaix\u002FLLM-Prop\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FLLM4Chem\">LLM4Chem\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 110 · 💤) - Official code repo for the paper LlaSMol: Advancing Large Language Models for Chemistry with a Large-Scale,.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FLLM4Chem) (👨‍💻 2 · 🔀 18 · ⏱️ 09.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FLLM4Chem\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 17 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBioML\u002Fchemnlp\">OpenBioML ChemNLP\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 170 · 💀) - ChemNLP project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcs07\u002FChemDataExtractor\">ChemDataExtractor\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 350 · 💀) - Automatically extract chemical information from scientific documents. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fchemcrow-public\">ChemCrow\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 890 · 💀) - Open source package for the accurate solution of reasoning-intensive chemical tasks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsintelligence\u002Fmat2vec\">mat2vec\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 640 · 💀) - Supplementary Materials for Tshitoyan et al. Unsupervised word embeddings capture latent knowledge from materials.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkjappelbaum\u002Fgptchem\">gptchem\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 260 · 💀) - Use GPT-3 to solve chemistry problems. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fnlcc\">nlcc\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 46 · 💀) - Natural language computational chemistry command line interface. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fchemnlp\">NIST ChemNLP\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 28 · 🐣) - chemnlp. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FIBM\u002Fmolformer\">MoLFormer\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 390 · 💀) - Repository for MolFormer. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmolskill\">MolSkill\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 120 · 💀) - Extracting medicinal chemistry intuition via preference machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRecommender_system\">\u003Ccode>recommender\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchemlift\">chemlift\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 45 · 💀) - Language-interfaced fine-tuning for chemistry. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCFN-softbio\u002FSciBot\">SciBot\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 31 · 💀) - SciBot is a simple demo of building a domain-specific chatbot for science. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FStefanoSanvitoGroup\u002FBERT-PSIE-TC\">BERT-PSIE-TC\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 15 · 💀) - A dataset of Curie temperatures automatically extracted from scientific literature with the use of the BERT-PSIE.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fcrystal-text-llm\">crystal-text-llm\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 120 · 💀) - Large language models to generate stable crystals. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-4.0\">CC-BY-NC-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamm-mit\u002FCephalo\">Cephalo\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 12 · 💀) - Multimodal Vision-Language Models for Bio-Inspired Materials Analysis and Design. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaykcaldas\u002FMAPI_LLM\">MAPI_LLM\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 9 · 💀) - A LLM application developed during the LLM March MADNESS Hackathon https:\u002F\u002Fdoi.org\u002F10.1039\u002FD3DD00113J. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>dataset\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhoon-ock\u002FCatBERTa\">CatBERTa\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 28 · 💀) - Large Language Model for Catalyst Property Prediction. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FShuHuang\u002Fchemdatawriter\">ChemDataWriter\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 13 · 💀) - ChemDataWriter is a transformer-based library for automatically generating research books in the chemistry area. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Materials Discovery\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that implement materials discovery methods using atomistic ML._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT\">SMACT\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 130) - Python package to aid materials design and informatics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>structure-prediction\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT) (👨‍💻 48 · 🔀 29 · 📦 72 · ⏱️ 05.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsmact) (📥 8.5K \u002F month):\n\t```\n\tpip install smact\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fsmact) (📥 9.8K · ⏱️ 31.07.2025):\n\t```\n\tconda install -c conda-forge smact\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattergen\">MatterGen\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 1.6K) - Official implementation of MatterGen -- a generative model for inorganic materials design across the periodic table.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>structure-prediction\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattergen) (👨‍💻 13 · 🔀 300 · 📋 140 - 4% open · ⏱️ 27.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattergen\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\">Materials Discovery: GNoME\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 1.2K · 💤) - Graph Networks for Materials Science (GNoME) and dataset of 381,000 novel stable materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>datasets\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProprietary_software\">\u003Ccode>proprietary\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery) (👨‍💻 2 · 🔀 180 · 📋 25 - 84% open · ⏱️ 03.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fcest-group\u002Fboss\">BOSS\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 27) - Bayesian Optimization Structure Search (BOSS). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Faalto-boss) (📥 690 \u002F month · ⏱️ 28.11.2025):\n\t```\n\tpip install aalto-boss\n\t```\n- [GitLab](https:\u002F\u002Fgitlab.com\u002Fcest-group\u002Fboss) (🔀 14 · 📋 39 - 17% open · ⏱️ 28.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgitlab.com\u002Fcest-group\u002Fboss\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCompRhys\u002Faviary\">aviary\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 61) - The Wren sits on its Roost in the Aviary. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FCompRhys\u002Faviary) (👨‍💻 6 · 🔀 13 · 📦 1 · ⏱️ 06.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FCompRhys\u002Faviary\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fagox.gitlab.io\u002Fagox\u002F\">AGOX\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 18 · 📈) - AGOX is a package for global optimization of atomic system using e.g. the energy calculated from density functional.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fagox) (📥 82 \u002F month · 📦 3 · ⏱️ 04.02.2026):\n\t```\n\tpip install agox\n\t```\n- [GitLab](https:\u002F\u002Fgitlab.com\u002Fagox\u002Fagox) (🔀 8 · 📋 28 - 32% open · ⏱️ 04.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgitlab.com\u002Fagox\u002Fagox\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 7 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002FCAMD\">Computational Autonomy for Materials Discovery (CAMD)\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 1 · 💀) - Agent-based sequential learning software for materials discovery. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMinoru938\u002FCSPML\">CSPML (crystal structure prediction with machine learning-based element substitution)\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 29 · 💀) - Original implementation of CSPML. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>structure-prediction\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fbigd4\u002Fmagus\">MAGUS\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 99 · 💀) - Machine learning And Graph theory assisted Universal structure Searcher. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>structure-prediction\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSPINNER\">SPINNER\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 15 · 💀) - SPINNER (Structure Prediction of Inorganic crystals using Neural Network potentials with Evolutionary and Random.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>structure-prediction\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftakahashi-akira-36m\u002Fml_atomate\">ML-atomate\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 7 · 💀) - Machine learning-assisted Atomate code for autonomous computational materials screening. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faced-differentiate\u002Fclosed-loop-acceleration-benchmarks\">closed-loop-acceleration-benchmarks\u003C\u002Fa>\u003C\u002Fb> (🥉4 · 💀) - Data and scripts in support of the publication By how much can closed-loop frameworks accelerate computational.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCitrineInformatics-ERD-public\u002Fsl_discovery\">sl_discovery\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 5 · 💀) - Data processing and models related to Quantifying the performance of machine learning models in materials discovery. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Mathematical tools\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that implement mathematical objects used in atomistic machine learning._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance\">cuEquivariance\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 380) - cuEquivariance is a math library that is a collective of low-level primitives and tensor ops to accelerate widely-used.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance) (👨‍💻 7 · 🔀 27 · 📋 75 - 17% open · ⏱️ 16.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcuequivariance) (📥 100K \u002F month):\n\t```\n\tpip install cuequivariance\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fcuequivariance) (📥 20K · ⏱️ 16.03.2026):\n\t```\n\tconda install -c conda-forge cuequivariance\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fkfac-jax\">KFAC-JAX\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 320) - Second Order Optimization and Curvature Estimation with K-FAC in JAX. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fkfac-jax) (👨‍💻 20 · 🔀 27 · 📦 11 · 📋 24 - 54% open · ⏱️ 16.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fkfac-jax\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fkfac-jax) (📥 1.2K \u002F month):\n\t```\n\tpip install kfac-jax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart\">SpheriCart\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 95) - Multi-language library for the calculation of spherical harmonics in Cartesian coordinates. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart) (👨‍💻 13 · 🔀 16 · 📥 950 · 📦 10 · 📋 44 - 31% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsphericart) (📥 4.7K \u002F month):\n\t```\n\tpip install sphericart\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax\">gpax\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 230 · 💤) - Gaussian Processes for Experimental Sciences. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax) (👨‍💻 6 · 🔀 29 · 📦 6 · 📋 43 - 23% open · ⏱️ 04.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgpax) (📥 250 \u002F month · ⏱️ 04.07.2025):\n\t```\n\tpip install gpax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FPASSIONLab\u002FOpenEquivariance\">OpenEquivariance\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 140) - OpenEquivariance: a fast, open-source GPU JIT kernel generator for the Clebsch-Gordon Tensor Product. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FPASSIONLab\u002FOpenEquivariance) (👨‍💻 4 · 🔀 9 · 📦 2 · 📋 33 - 3% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FPASSIONLab\u002FOpenEquivariance\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FPolynomials4ML.jl\">Polynomials4ML.jl\u003C\u002Fa>\u003C\u002Fb> (🥉11 ·  ⭐ 14) - Polynomials for ML: fast evaluation, batching, differentiation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FPolynomials4ML.jl) (👨‍💻 12 · 🔀 7 · 📋 61 - 14% open · ⏱️ 29.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FPolynomials4ML.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib\">GElib\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 26) - C++\u002FCUDA library for SO(3) equivariant operations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib) (👨‍💻 6 · 🔀 3 · 📋 8 - 50% open · ⏱️ 21.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 6 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flie-nn\u002Flie-nn\">lie-nn\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 36 · 💀) - Tools for building equivariant polynomials on reductive Lie groups. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FYWolfeee\u002Flapjax\">LapJAX\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 75 · 💀) - A JAX based package designed for efficient second order operators (e.g., laplacian) computation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faced-differentiate\u002FEquivariantOperators.jl\">EquivariantOperators.jl\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 18 · 💀) - This package is deprecated. Functionalities are migrating to Porcupine.jl. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Ftoolbox\">COSMO Toolbox\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 8 · 💀) - Assorted libraries and utilities for atomistic simulation analysis. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002Fcnine\">cnine\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 5) - Cnine tensor library. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fwigner_kernels\">Wigner Kernels\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 2 · 💀) - Collection of programs to benchmark Wigner kernels. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Molecular Dynamics\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that simplify the integration of molecular dynamics and atomistic machine learning._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjax-md\u002Fjax-md\">JAX-MD\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 1.4K) - Differentiable, Hardware Accelerated, Molecular Dynamics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjax-md\u002Fjax-md) (👨‍💻 44 · 🔀 230 · 📦 82 · 📋 190 - 29% open · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjax-md\u002Fjax-md\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fjax-md) (📥 12K \u002F month · 📦 18 · ⏱️ 22.03.2026):\n\t```\n\tpip install jax-md\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTorchSim\u002Ftorch-sim\">TorchSim\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 440) - Torch-native, batchable, atomistic simulations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FTorchSim\u002Ftorch-sim) (👨‍💻 32 · 🔀 85 · 📋 160 - 14% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRadical-AI\u002Ftorch-sim\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftorch-sim-atomistic) (📥 140K \u002F month):\n\t```\n\tpip install torch-sim-atomistic\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD\">GPUMD\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 740) - GPUMD is a highly efficient general-purpose molecular dynamic (MD) package and enables machine-learned potentials.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD) (👨‍💻 57 · 🔀 170 · 📋 260 - 4% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar\">mlcolvar\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 140) - A unified framework for machine learning collective variables for enhanced sampling simulations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>sampling\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar) (👨‍💻 14 · 🔀 32 · 📦 11 · 📋 110 - 11% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlcolvar) (📥 620 \u002F month):\n\t```\n\tpip install mlcolvar\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP\">FitSNAP\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 180) - Software for generating machine-learning interatomic potentials for LAMMPS. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP) (👨‍💻 24 · 🔀 65 · 📥 15 · 📋 84 - 25% open · ⏱️ 17.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Ffitsnap3) (📥 16K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge fitsnap3\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-ml\">OpenMM-ML\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 150) - High level API for using machine learning models in OpenMM simulations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-ml) (👨‍💻 8 · 🔀 33 · 📦 2 · 📋 70 - 31% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-ml\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fopenmm-ml) (📥 40K · ⏱️ 25.03.2026):\n\t```\n\tconda install -c conda-forge openmm-ml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmolmod\u002Fpsiflow\">Psiflow\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 140) - scalable molecular simulation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>sampling\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmolmod\u002Fpsiflow) (👨‍💻 5 · 🔀 16 · 📋 59 - 22% open · ⏱️ 12.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmolmod\u002Fpsiflow\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip_allegro\">pair_allegro\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 61) - LAMMPS pair styles for NequIP and Allegro deep learning interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip_allegro) (👨‍💻 6 · 🔀 10 · 📋 48 - 18% open · ⏱️ 10.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_allegro\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDMFF\">DMFF\u003C\u002Fa>\u003C\u002Fb> (🥉13 ·  ⭐ 190 · 💤) - DMFF (Differentiable Molecular Force Field) is a Jax-based python package that provides a full differentiable.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDMFF) (👨‍💻 17 · 🔀 47 · 📋 33 - 39% open · ⏱️ 06.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDMFF\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip\">pair_nequip\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 44 · 💤) - LAMMPS pair style for NequIP. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip) (👨‍💻 3 · 🔀 14 · 📋 33 - 39% open · ⏱️ 25.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace\">PACE\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 31) - The LAMMPS ML-IAP `pair_style pace`, aka Atomic Cluster Expansion (ACE), aka ML-PACE,.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace) (👨‍💻 8 · 🔀 16 · 📋 11 - 45% open · ⏱️ 03.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fmuse\">MUSE\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 7 · 💤) - A python package for fast building amorphous solids and liquid mixtures from @materialsproject computed structures and.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=defects+and+disorder+in+materials\">\u003Ccode>Defects & Disorder\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fmuse) (👨‍💻 2 · 📦 1 · ⏱️ 15.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fmuse\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 3 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-torch\">openmm-torch\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 220 · 💀) - OpenMM plugin to define forces with neural networks. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-torch#license\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Finitqp\u002Fsomd\">SOMD\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 17) - Molecular dynamics package designed for the SIESTA DFT code. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3pwmjO5\">AGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fivannovikov\u002Finterface-lammps-mlip-3\">interface-lammps-mlip-3\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 5 · 💀) - An interface between LAMMPS and MLIP (version 3). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Probabilistic ML\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on probabilistic, Bayesian, Gaussian process and adversarial methods for atomistic ML, for optimization, uncertainty quantification (UQ), etc._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fthermo\">thermo\u003C\u002Fa>\u003C\u002Fb> (🥇5 ·  ⭐ 17) - Data-driven risk-conscious thermoelectric materials discovery. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>experimental-data\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fthermo) (👨‍💻 2 · 🔀 4 · ⏱️ 12.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fthermo\n\t```\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Reinforcement Learning\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on reinforcement learning for atomistic ML._\n\n\u003Cdetails>\u003Csummary>Show 2 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FReLeaSE\">ReLeaSE\u003C\u002Fa>\u003C\u002Fb> (🥇11 ·  ⭐ 370 · 💀) - Deep Reinforcement Learning for de-novo Drug Design. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Fcatgym\">CatGym\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 13 · 💀) - Surface segregation using Deep Reinforcement Learning. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL\">GPL\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Representation Engineering\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that offer implementations of representations aka descriptors, fingerprints of atomistic systems, and models built with them, aka feature engineering._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk\">cdk\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 580) - The Chemistry Development Kit. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Java\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk) (👨‍💻 170 · 🔀 170 · 📥 75K · 📋 330 - 1% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk\n\t```\n- [Maven](https:\u002F\u002Fsearch.maven.org\u002Fartifact\u002Forg.openscience.cdk\u002Fcdk-bundle):\n\t```\n\t\u003Cdependency>\n\t\t\u003CgroupId>org.openscience.cdk\u003C\u002FgroupId>\n\t\t\u003CartifactId>cdk-bundle\u003C\u002FartifactId>\n\t\t\u003Cversion>[VERSION]\u003C\u002Fversion>\n\t\u003C\u002Fdependency>\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe\">DScribe\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 460) - DScribe is a python package for creating machine learning descriptors for atomistic systems. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe) (👨‍💻 18 · 🔀 95 · 📦 290 · 📋 110 - 12% open · ⏱️ 27.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdscribe) (📥 180K \u002F month):\n\t```\n\tpip install dscribe\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdscribe) (📥 270K · ⏱️ 10.12.2025):\n\t```\n\tconda install -c conda-forge dscribe\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhachmannlab\u002Fchemml\">ChemML\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 170) - ChemML is a machine learning and informatics program suite for the chemical and materials sciences. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fhachmannlab\u002Fchemml) (👨‍💻 17 · 🔀 33 · 📥 14 · 📦 8 · 📋 11 - 45% open · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fhachmannlab\u002Fchemml\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchemml) (📥 170 \u002F month):\n\t```\n\tpip install chemml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FPhasesResearchLab\u002FpySIPFENN\">pySIPFENN\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 24) - Python python toolset for Structure-Informed Property and Feature Engineering with Neural Networks. It offers unique.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>material-defect\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=defects+and+disorder+in+materials\">\u003Ccode>Defects & Disorder\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>transfer-learning\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FPhasesResearchLab\u002FpySIPFENN) (👨‍💻 5 · 🔀 5 · 📥 120 · 📦 7 · 📋 8 - 62% open · ⏱️ 20.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FPhasesResearchLab\u002FpySIPFENN\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpysipfenn) (📥 110 \u002F month):\n\t```\n\tpip install pysipfenn\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fpysipfenn) (📥 22K · ⏱️ 20.01.2026):\n\t```\n\tconda install -c conda-forge pysipfenn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet\">MODNet\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 110 · 💤) - MODNet: a framework for machine learning materials properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>small-data\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>transfer-learning\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet) (👨‍💻 11 · 🔀 34 · 📦 11 · 📋 53 - 39% open · ⏱️ 02.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic\">Featomic\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 79) - Computing representations for atomistic machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Rust\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic) (👨‍💻 19 · 🔀 18 · 📥 840 · 📋 83 - 45% open · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrcassar\u002Fglasspy\">GlassPy\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 38) - Python module for scientists working with glass materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdrcassar\u002Fglasspy) (👨‍💻 2 · 🔀 8 · 📦 7 · 📋 15 - 40% open · ⏱️ 17.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdrcassar\u002Fglasspy\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fglasspy) (📥 700 \u002F month):\n\t```\n\tpip install glasspy\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frouyang2017\u002FSISSO\">SISSO\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 350) - A data-driven method combining symbolic regression and compressed sensing for accurate & interpretable models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Frouyang2017\u002FSISSO) (👨‍💻 3 · 🔀 93 · 📋 78 - 23% open · ⏱️ 26.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Frouyang2017\u002FSISSO\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FPDynA\">PDynA\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 51) - Python package to analyse the structural dynamics of perovskites. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FWMD-group\u002FPDynA) (👨‍💻 4 · 🔀 5 · 📦 2 · ⏱️ 14.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FWMD-group\u002FPDynA\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpdyna) (📥 13 \u002F month · ⏱️ 23.09.2024):\n\t```\n\tpip install pdyna\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml\">BenchML\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 15) - ML benchmarking and pipeling framework. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml) (👨‍💻 9 · 🔀 6 · 📋 13 - 23% open · ⏱️ 28.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fbenchml) (📥 43 \u002F month · ⏱️ 14.07.2022):\n\t```\n\tpip install benchml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNU-CUCIS\u002FElemNet\">ElemNet\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 100) - Deep Learning the Chemistry of Materials From Only Elemental Composition for Enhancing Materials Property Prediction. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FNU-CUCIS\u002FElemNet) (👨‍💻 4 · 🔀 35 · 📋 6 - 33% open · ⏱️ 13.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FNU-CUCIS\u002FElemNet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fmolpipx\">MOLPIPx\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 50) - Differentiable version of Permutationally Invariant Polynomial (PIP) models in JAX and Rust. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode> \u003Ccode>Rust\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fmolpipx) (👨‍💻 11 · 🔀 1 · ⏱️ 22.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fmolpipx\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo\">soap_turbo\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 8) - soap_turbo comprises a series of libraries to be used in combination with QUIP\u002FGAP and TurboGAP. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo\u002Fblob\u002Fmaster\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo) (👨‍💻 4 · 🔀 8 · 📋 8 - 62% open · ⏱️ 22.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRutgers-ZRG\u002Flibfp\">fplib\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 8) - libfp is a library for calculating crystalline fingerprints and measuring similarities of materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C-lang\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRutgers-ZRG\u002Flibfp) (👨‍💻 2 · 🔀 1 · 📦 2 · ⏱️ 22.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fzhuligs\u002Ffplib\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 17 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSUNCAT-Center\u002FCatLearn\">CatLearn\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 120 · 💀) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSurface_science\">\u003Ccode>surface-science\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FElementEmbeddings\">ElementEmbeddings\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 51 · 💀) - Python package to interact with high-dimensional representations of the chemical elements. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FUnsupervised_learning\">\u003Ccode>USL\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>viz\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Flibrascal\">Librascal\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 83 · 💀) - A scalable and versatile library to generate representations for atomic-scale learning. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKaaiian\u002FCBFV\">CBFV\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 30 · 💀) - Tool to quickly create a composition-based feature vector. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsirmarcel\u002Fcmlkit\">cmlkit\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 33 · 💀) - tools for machine learning in condensed matter physics and quantum chemistry. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flantunes\u002Fskipatom\">SkipAtom\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 28 · 💀) - Distributed representations of atoms, inspired by the Skip-gram model. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuhrin\u002Fmilad\">milad\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 34 · 💀) - Moment Invariants Local Atomic Descriptor. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fnice\">NICE\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 12 · 💀) - NICE (N-body Iteratively Contracted Equivariants) is a set of tools designed for the calculation of invariant and.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fsissopp_developers\u002Fsissopp\">SISSO++\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 6 · 💀) - C++ Implementation of SISSO with python bindings. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdilkins\u002FTENSOAP\">SA-GPR\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 23 · 💀) - Public repository for symmetry-adapted Gaussian Process Regression (SA-GPR). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C-lang\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fsoapxx\">SOAPxx\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 7 · 💀) - A SOAP implementation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fceriottm\u002Flode\">pyLODE\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 3 · 💀) - Pythonic implementation of LOng Distance Equivariants. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fbitbucket.org\u002Fandrewpeterson\u002Famp\u002F\">AMP\u003C\u002Fa>\u003C\u002Fb> (🥉6 · 💀) - Amp is an open-source package designed to easily bring machine-learning to atomistic calculations. \u003Ccode>Unlicensed\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcnislab\u002FMXenes4HER\">MXenes4HER\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 7 · 💀) - Predicting hydrogen evolution (HER) activity over 4500 MXene materials https:\u002F\u002Fdoi.org\u002F10.1039\u002FD3TA00344B. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>scikit-learn\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmm-tud\u002Fautoml-materials\">automl-materials\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 5 · 💀) - AutoML for Regression Tasks on Small Tabular Data in Materials Design. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAutomated_machine_learning\">\u003Ccode>autoML\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdppant\u002Fmagnetism-prediction\">magnetism-prediction\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 2 · 💤) - DFT-aided Machine Learning Search for Magnetism in Fe-based Bimetallic Chalcogenides. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmsg-byu\u002FML-for-CurieTemp-Predictions\">ML-for-CurieTemp-Predictions\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 2 · 💀) - Machine Learning Predictions of High-Curie-Temperature Materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Representation Learning\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_General models that learn a representations aka embeddings of atomistic systems, such as message-passing neural networks (MPNN)._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl\">Deep Graph Library (DGL)\u003C\u002Fa>\u003C\u002Fb> (🥇36 ·  ⭐ 14K · 💤) - Python package built to ease deep learning on graph, on top of existing DL frameworks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl) (👨‍💻 300 · 🔀 3K · 📦 4.2K · 📋 3K - 20% open · ⏱️ 31.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdgl) (📥 120K \u002F month · 📦 150 · ⏱️ 13.05.2024):\n\t```\n\tpip install dgl\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdglteam\u002Fdgl) (📥 470K · ⏱️ 25.03.2025):\n\t```\n\tconda install -c dglteam dgl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpyg-team\u002Fpytorch_geometric\u002Ftree\u002Fmaster\u002Ftorch_geometric\u002Fnn\u002Fmodels\">PyG Models\u003C\u002Fa>\u003C\u002Fb> (🥇35 ·  ⭐ 24K · 📈) - Representation learning models implemented in PyTorch Geometric. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fpyg-team\u002Fpytorch_geometric) (👨‍💻 560 · 🔀 4K · 📦 11K · 📋 4K - 31% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fpyg-team\u002Fpytorch_geometric\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn\">e3nn\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 1.2K) - A modular framework for neural networks with Euclidean symmetry. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn) (👨‍💻 38 · 🔀 180 · 📦 600 · 📋 180 - 17% open · ⏱️ 13.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fe3nn) (📥 450K \u002F month · 📦 74 · ⏱️ 13.02.2026):\n\t```\n\tpip install e3nn\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fe3nn) (📥 64K · ⏱️ 14.02.2026):\n\t```\n\tconda install -c conda-forge e3nn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack\">SchNetPack\u003C\u002Fa>\u003C\u002Fb> (🥇28 ·  ⭐ 910 · 📈) - SchNetPack - Deep Neural Networks for Atomistic Systems. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack) (👨‍💻 43 · 🔀 250 · 📦 110 · 📋 280 - 1% open · ⏱️ 17.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fschnetpack) (📥 8.4K \u002F month · 📦 4 · ⏱️ 19.12.2025):\n\t```\n\tpip install schnetpack\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatgl\">MatGL (Materials Graph Library)\u003C\u002Fa>\u003C\u002Fb> (🥇28 ·  ⭐ 530) - Graph deep learning library for materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultifidelity_simulation\">\u003Ccode>multifidelity\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatgl) (👨‍💻 25 · 🔀 110 · 📦 93 · 📋 150 - 1% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatgl\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatgl) (📥 28K \u002F month):\n\t```\n\tpip install matgl\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fmaterialsvirtuallab\u002Fmatgl) (📥 260 · ⭐ 1 · ⏱️ 08.04.2025):\n\t```\n\tdocker pull materialsvirtuallab\u002Fmatgl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn\">ALIGNN\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 310 · 💤) - Atomistic Line Graph Neural Network https:\u002F\u002Fscholar.google.com\u002Fcitations?user=9Q-tNnwAAAAJ.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn\u002Fblob\u002Fmain\u002FLICENSE.rst\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn) (👨‍💻 8 · 🔀 110 · 📦 24 · 📋 87 - 67% open · ⏱️ 25.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Falignn) (📥 11K \u002F month · 📦 11 · ⏱️ 02.04.2025):\n\t```\n\tpip install alignn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FUni-Mol\">Uni-Mol\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 1.1K · 💤) - Official Repository for the Uni-Mol Series Methods. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FUni-Mol) (👨‍💻 20 · 🔀 170 · 📥 23K · 📋 230 - 48% open · ⏱️ 29.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FUni-Mol\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FORNL\u002FHydraGNN\">HydraGNN\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 100) - Distributed PyTorch implementation of multi-headed graph convolutional neural networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FORNL\u002FHydraGNN) (👨‍💻 18 · 🔀 38 · 📦 3 · 📋 56 - 30% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FORNL\u002FHydraGNN\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\">hippynn\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 94) - python library for atomistic machine learning. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\u002Fblob\u002Fmain\u002FLICENSE.txt\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn) (👨‍💻 20 · 🔀 34 · 📦 4 · 📋 41 - 34% open · ⏱️ 04.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002FCrabNet\">Compositionally-Restricted Attention-Based Network (CrabNet)\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 17 · 💤) - Predict materials properties using only the composition information!. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002FCrabNet) (👨‍💻 6 · 🔀 6 · 📦 16 · 📋 19 - 84% open · ⏱️ 04.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002FCrabNet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcrabnet) (📥 450 \u002F month):\n\t```\n\tpip install crabnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fuvvisml\">UVVisML\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 35 · 💤) - Predict optical properties of molecules with machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOptical_properties\">\u003Ccode>optical-properties\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fuvvisml) (👨‍💻 1 · 🔀 10 · 📋 2 - 50% open · ⏱️ 30.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fuvvisml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalframer\">Crystalframer\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 16) - The official code respository for Rethinking the role of frames for SE(3)-invariant crystal structure modeling (ICLR.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalframer) (👨‍💻 3 · 🔀 3 · 📥 11 · ⏱️ 16.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalframer\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusccolumbia\u002FdeeperGATGNN\">DeeperGATGNN\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 63) - Scalable graph neural networks for materials property prediction. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusccolumbia\u002FdeeperGATGNN) (👨‍💻 3 · 🔀 8 · ⏱️ 02.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusccolumbia\u002FdeeperGATGNN\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalformer\">Crystalformer\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 28 · 💤) - The official code respository for Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding (ICLR.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalformer) (🔀 3 · 📋 4 - 25% open · ⏱️ 08.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalformer\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 49 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-lifesci\">dgl-lifesci\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 800 · 💀) - Python package for graph neural networks in chemistry and biology. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn-jax\">e3nn-jax\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 230 · 💀) - jax library for E3 Equivariant Neural Networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples#graph-neural-networks\">NVIDIA Deep Learning Examples for Tensor Cores\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 15K · 💀) - State-of-the-Art Deep Learning scripts organized by models - easy to train and deploy with reproducible accuracy and.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples\u002Fblob\u002Fmaster\u002FDGLPyTorch\u002FDrugDiscovery\u002FSE3Transformer\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>educational\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FDIG\">DIG: Dive into Graphs\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 2K · 💀) - A library for graph deep learning research. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fgcnn_keras\">kgcnn\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 120 · 💀) - Graph convolutions in Keras with TensorFlow, PyTorch or Jax. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\">Graphormer\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 2.4K · 💀) - Graphormer is a general-purpose deep learning backbone for molecular modeling. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQUVA-Lab\u002Fescnn\">escnn\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 510 · 💀) - Equivariant Steerable CNNs Library for Pytorch https:\u002F\u002Fquva-lab.github.io\u002Fescnn\u002F. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQUVA-Lab\u002Fescnn\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgraphdeeplearning\u002Fbenchmarking-gnns\">benchmarking-gnns\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 2.7K · 💀) - Repository for benchmarking graph neural networks (JMLR 2023). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftxie-93\u002Fcgcnn\">Crystal Graph Convolutional Neural Networks (CGCNN)\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 840 · 💀) - Crystal graph convolutional neural networks for predicting material properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002Fxtal2png\">xtal2png\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 39 · 💀) - Encode\u002Fdecode a crystal structure to\u002Ffrom a grayscale PNG image for direct use with image-based machine learning.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FComputer_vision\">\u003Ccode>computer-vision\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNatLabRockies\u002Fnfp\">Neural fingerprint (nfp)\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 62 · 💀) - Keras layers for end-to-end learning with rdkit and pymatgen. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNREL\u002Fnfp\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvict0rsch\u002Ffaenet\">FAENet\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 34 · 💀) - Frame Averaging Equivariant GNN for materials modeling. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsnap-stanford\u002Fpretrain-gnns\">pretrained-gnns\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 1.1K · 💀) - Strategies for Pre-training Graph Neural Networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fgdc\">GDC\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 280 · 💀) - Graph Diffusion Convolution, as proposed in Diffusion Improves Graph Learning (NeurIPS 2019). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fidocx\u002FAtom2Vec\">Atom2Vec\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 37 · 💀) - Atom2Vec: a simple way to describe atoms for machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFabianFuchsML\u002Fse3-transformer-public\">SE(3)-Transformers\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 580 · 💀) - code for the SE3 Transformers paper: https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.10503. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsuperlouis\u002FGATGNN\">GATGNN: Global Attention Graph Neural Network\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 84 · 💀) - Pytorch Repository for our work: Graph convolutional neural networks with global attention for improved materials.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHSE-LAMBDA\u002Fai4material_design\">ai4material_design\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 8 · 💀) - Code for Kazeev, N., Al-Maeeni, A.R., Romanov, I. et al. Sparse representation for machine learning the properties of.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>material-defect\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmasashitsubaki\u002FmolecularGNN_smiles\">molecularGNN_smiles\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 340 · 💀) - The code of a graph neural network (GNN) for molecules, which is based on learning representations of r-radius.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomicarchitects\u002Fequiformer\">Equiformer\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 280 · 💀) - [ICLR 2023 Spotlight] Equiformer: Equivariant Graph Attention Transformer for 3D Atomistic Graphs. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fllnl\u002Fgraphite\">graphite\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 110 · 💀) - A repository for implementing graph network models based on atomic structures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnguyen-group\u002FGNNOpt\">GNNOpt\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 33 · 💀) - Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOptical_properties\">\u003Ccode>optical-properties\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHongyu-yu\u002FT-e3nn\">T-e3nn\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 19 · 💀) - Time-reversal Euclidean neural networks based on e3nn. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorfieldnetworks\u002Ftensorfieldnetworks\">tensorfieldnetworks\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 160 · 💀) - Rotation- and translation-equivariant neural networks for 3D point clouds. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchao1224\u002FGeom3D\">Geom3D\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 130 · 💀) - Geom3D: Geometric Modeling on 3D Structures, NeurIPS 2023. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fdtnn\">DTNN\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 78 · 💀) - Deep Tensor Neural Network. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamm-mit\u002FGraph-Aware-Transformers\">Graph-Aware-Transformers\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 69 · 💀) - Graph-Aware Attention for Adaptive Dynamics in Transformers. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>graph-data\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002Fcormorant\">Cormorant\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 60 · 💀) - Codebase for Cormorant Neural Networks. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002Fcormorant\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpen-Catalyst-Project\u002FAdsorbML\">AdsorbML\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 44 · 💀) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSurface_science\">\u003Ccode>surface-science\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Femilemathieu\u002Fescnn_jax\">escnn_jax\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 32 · 💀) - Equivariant Steerable CNNs Library for Pytorch https:\u002F\u002Fquva-lab.github.io\u002Fescnn\u002F. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Femilemathieu\u002Fescnn_jax\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhyllios\u002FCGAT\">CGAT\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 31 · 💀) - Crystal graph attention neural networks for materials prediction. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FIntelLabs\u002Fmatsciml\">matsciml\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 130 · 💀) - Open MatSci ML Toolkit is a framework for prototyping and scaling out deep learning models for materials discovery.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-layer\">MACE-Layer\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 46 · 💀) - Higher order equivariant graph neural networks for 3D point clouds. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpfnet-research\u002Fcharge_transfer_nnp\">charge_transfer_nnp\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 37 · 💀) - Graph neural network potential with charge transfer. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Ffield_schnet\">FieldSchNet\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 24 · 💀) - Deep neural network for molecules in external fields. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FGLAMOUR\">GLAMOUR\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 24 · 💀) - Graph Learning over Macromolecule Representations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002FML4pXRDs\">ML4pXRDs\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 3 · 💀) - Contains code to train neural networks based on simulated powder XRDs from synthetic crystals. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FX-ray_crystallography\">\u003Ccode>XRD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002FAutobahn\">Autobahn\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 30 · 💀) - Repository for Autobahn: Automorphism Based Graph Neural Networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flantunes\u002FCraTENet\">CraTENet\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 17 · 💀) - An attention-based deep neural network for thermoelectric transport properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fandy90\u002FSCFNN\">SCFNN\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 15 · 💀) - Self-consistent determination of long-range electrostatics in neural network potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsirmarcel\u002Fgkx\">gkx: Green-Kubo Method in JAX\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 8 · 💀) - Green-Kubo + JAX + MLPs = Anharmonic Thermal Conductivities Done Fast. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fper-site_painn\">Per-site PAiNN\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 2 · 💀) - Fork of PaiNN for PerovskiteOrderingGCNNs. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fper-site_cgcnn\">Per-Site CGCNN\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 1 · 💀) - Crystal graph convolutional neural networks for predicting material properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fgtn\">Graph Transport Network\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 15 · 💀) - Graph transport network (GTN), as proposed in Scalable Optimal Transport in High Dimensions for Graph Distances,.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fgtn\u002Fblob\u002Fmain\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FM3RG-IITD\u002FMDBENCHGNN\">EGraFFBench\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 11 · 💀) -  \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fatom_by_atom\">atom_by_atom\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 11 · 💀) - Atom-by-atom design of metal oxide catalysts for the oxygen evolution reaction with Machine Learning. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSurface_science\">\u003Ccode>surface-science\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjeherr\u002Felement-encoder\">Element encoder\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 6 · 💀) - Autoencoder neural network to compress properties of atomic species into a vector representation. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Frecord\u002F7967079\">Point Edge Transformer\u003C\u002Fa>\u003C\u002Fb> (🥉2) - Smooth, exact rotational symmetrization for deep learning on point clouds. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002FSphericalNet\">SphericalNet\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 3 · 💀) - Implementation of Clebsch-Gordan Networks (CGnet: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.09231.pdf) by GElib & cnine libraries in.. \u003Ccode>Unlicensed\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Universal Potentials\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Machine-learned interatomic potentials (ML-IAP) that have been trained on large, chemically and structural diverse datasets. For materials, this means e.g. datasets that include a majority of the periodic table._\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.24433\u002FCO.0749085.v1\">TeaNet\u003C\u002Fa>\u003C\u002Fb>  - Universal neural network interatomic potential inspired by iterative electronic relaxations.. \u003Ccode>ML-IAP\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41467-022-30687-9#code-availability\">PreFerred Potential (PFP)\u003C\u002Fa>\u003C\u002Fb>  - Universal neural network potential for material discovery https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41467-022-30687-9. \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProprietary_software\">\u003Ccode>proprietary\u003C\u002Fcode>\u003C\u002Fa>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DPA-2\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 1.9K) - A large atomic model as a multi-task learner https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.15492. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit) (👨‍💻 84 · 🔀 580 · 📥 68K · 📦 46 · 📋 980 - 9% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepmd-kit) (📥 6.2K \u002F month):\n\t```\n\tpip install deepmd-kit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdeepmd-kit) (📥 2.6M · ⏱️ 19.03.2026):\n\t```\n\tconda install -c conda-forge deepmd-kit\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):\n\t```\n\tdocker pull deepmodeling\u002Fdeepmd-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DeePMD-DPA3\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 1.9K) - Successor of DPA-2. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit) (👨‍💻 84 · 🔀 600 · 📥 68K · 📦 46 · 📋 1K - 13% open · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepmd-kit) (📥 6.2K \u002F month · 📦 17 · ⏱️ 19.03.2026):\n\t```\n\tpip install deepmd-kit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdeepmd-kit) (📥 2.6M · ⏱️ 19.03.2026):\n\t```\n\tconda install -c conda-forge deepmd-kit\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):\n\t```\n\tdocker pull deepmodeling\u002Fdeepmd-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\u002Ftree\u002Fmain\u002Fsrc\u002Ffairchem\u002Fcore\u002Fmodels\u002Fequiformer_v2\">FAIRChem EquiformerV2 models\u003C\u002Fa>\u003C\u002Fb> (🥈27 ·  ⭐ 2K · 📉) - FAIRChem implementation of Equiformer V2 (eqV2) models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\u002Ftree\u002Fmain\u002Fmodels\u002FeSEN\">FAIRChem eSEN models\u003C\u002Fa>\u003C\u002Fb> (🥈27 ·  ⭐ 2K · 📉) - FAIRChem implementation of Smooth Energy Network (eSEN) models arXiv:2502.12147. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattersim\">MatterSim\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 520) - MatterSim: A deep learning atomistic model across elements, temperatures and pressures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhase_transition\">\u003Ccode>phase-transition\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattersim) (👨‍💻 20 · 🔀 75 · 📥 36 · 📋 50 - 48% open · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattersim\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmattersim) (📥 200K \u002F month · 📦 21 · ⏱️ 25.02.2026):\n\t```\n\tpip install mattersim\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSevenNet\">SevenNet\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 240) - SevenNet - a graph neural network interatomic potential package supporting efficient multi-GPU parallel molecular.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSevenNet) (👨‍💻 20 · 🔀 51 · 📥 13K · 📋 89 - 17% open · ⏱️ 15.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSevenNet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsevenn) (📥 210K \u002F month):\n\t```\n\tpip install sevenn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\">Orb Models\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 560) - ORB forcefield models from Orbital Materials. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models) (👨‍💻 16 · 🔀 77 · 📦 35 · 📋 75 - 4% open · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Forb-models) (📥 7.8K \u002F month · 📦 36 · ⏱️ 18.03.2026):\n\t```\n\tpip install orb-models\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\">CHGNet\u003C\u002Fa>\u003C\u002Fb> (🥉20 ·  ⭐ 370) - Pretrained universal neural network potential for charge-informed atomistic modeling https:\u002F\u002Fchgnet.lbl.gov. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>structure-relaxation\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet) (👨‍💻 13 · 🔀 96 · 📦 68 · 📋 76 - 3% open · ⏱️ 19.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchgnet) (📥 36K \u002F month):\n\t```\n\tpip install chgnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations\">MACE-FOUNDATION models\u003C\u002Fa>\u003C\u002Fb> (🥉19 ·  ⭐ 220) - MACE foundation models (MP, OMAT, mh-1). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations) (👨‍💻 3 · 🔀 22 · 📥 340K · 📋 34 - 8% open · ⏱️ 19.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmace-torch) (📥 66K \u002F month):\n\t```\n\tpip install mace-torch\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fupet\">PET-MAD\u003C\u002Fa>\u003C\u002Fb> (🥉18 ·  ⭐ 180) - Universal interatomic potentials for advanced materials modeling. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fupet) (👨‍💻 14 · 🔀 15 · 📥 38 · 📦 2 · 📋 17 - 5% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fpet-mad\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpet-mad) (📥 850 \u002F month):\n\t```\n\tpip install pet-mad\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fpet-mad):\n\t```\n\tconda install -c conda-forge pet-mad\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fm3gnet\">M3GNet\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 320 · 💤) - Materials graph network with 3-body interactions featuring a DFT surrogate crystal relaxer and a state-of-the-art.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fm3gnet) (👨‍💻 16 · 🔀 74 · 📋 35 - 42% open · ⏱️ 07.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fm3gnet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fm3gnet) (📥 1.7K \u002F month):\n\t```\n\tpip install m3gnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential\">GRACE\u003C\u002Fa>\u003C\u002Fb> (🥉13 ·  ⭐ 88) - GRACE models and gracemaker (as implemented in TensorPotential package). \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential\u002Fblob\u002Fmaster\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential) (👨‍💻 4 · 🔀 10 · 📦 10 · 📋 18 - 66% open · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fatomind\u002Fmlip-arena\">MLIP Arena Leaderboard\u003C\u002Fa>\u003C\u002Fb> (🥉12 ·  ⭐ 94) - [NeurIPS 25 Spotlight] Fair and transparent benchmark of machine learning interatomic potentials (MLIPs), beyond basic.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fatomind-ai\u002Fmlip-arena) (👨‍💻 3 · 🔀 8 · 📦 2 · 📋 20 - 70% open · ⏱️ 23.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fatomind-ai\u002Fmlip-arena\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FASK-Berkeley\u002FEScAIP\">EScAIP\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 60) - [NeurIPS 2024] Official implementation of the Efficiently Scaled Attention Interatomic Potential. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FASK-Berkeley\u002FEScAIP) (👨‍💻 2 · 🔀 6 · 📥 15 · 📋 9 - 22% open · ⏱️ 26.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FASK-Berkeley\u002FEScAIP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 3 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fffonons\">ffonons\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 23 · 💀) - Phonons from ML force fields. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDensity_of_states\">\u003Ccode>density-of-states\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fchipsff\">CHIPS-FF\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 9 · 💀) - Evaluation of universal machine learning force-fields https:\u002F\u002Fdoi.org\u002F10.1021\u002Facsmaterialslett.5c00093. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fchipsff\u002Fblob\u002Fmain\u002FLICENSE.rst\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FJMP\">Joint Multidomain Pre-Training (JMP)\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 62 · 💀) - Code for From Molecules to Materials Pre-training Large Generalizable Models for Atomic Property Prediction. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-4.0\">CC-BY-NC-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>general-tool\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Unsupervised Learning\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on unsupervised, semi- or self-supervised learning for atomistic ML, such as dimensionality reduction, clustering, contrastive learning, etc._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsissa-data-science\u002FDADApy\">DADApy\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 140) - Distance-based Analysis of DAta-manifolds in python. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsissa-data-science\u002FDADApy) (👨‍💻 21 · 🔀 23 · 📋 42 - 28% open · ⏱️ 12.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsissa-data-science\u002FDADApy\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdadapy) (📥 680 \u002F month):\n\t```\n\tpip install dadapy\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 9 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002Fmat_discover\">mat_discover\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 46 · 💀) - A materials discovery algorithm geared towards exploring high-performance candidates in new chemical spaces. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBingqingCheng\u002FASAP\">ASAP\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 150 · 💀) - ASAP is a package that can quickly analyze and visualize datasets of crystal or molecular structures. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fncfrey\u002Fpumml\">pumml\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 37 · 💀) - Positive and Unlabeled Materials Machine Learning (pumml) is a code that uses semi-supervised machine learning to.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsketchmap\">Sketchmap\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 48 · 💀) - Suite of programs to perform non-linear dimensionality reduction -- sketch-map in particular. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmathsphy\u002Fpaper-ml-robustness-material-property\">paper-ml-robustness-material-property\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 4 · 💀) - A critical examination of robustness and generalizability of machine learning prediction of materials properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjiaor17\u002F3D-EMGP\">3D-EMGP\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 33 · 💀) - [AAAI 2023] The implementation for the paper Energy-Motivated Equivariant Pretraining for 3D Molecular Graphs. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FCoarse-Graining-Auto-encoders\">Coarse-Graining-Auto-encoders\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 21 · 💀) - Implementation of coarse-graining Autoencoders. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMinoru938\u002FKmdPlus\">KmdPlus\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 8 · 💀) - This module contains a class for treating kernel mean descriptor (KMD), and a function for generating descriptors with.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.mpcdf.mpg.de\u002Fklai\u002Fdecaf\">Descriptor Embedding and Clustering for Atomisitic-environment Framework (DECAF)\u003C\u002Fa>\u003C\u002Fb> ( ⭐ 2) - Provides a workflow to obtain clustering of local environments in dataset of structures. \u003Ccode>Unlicensed\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Visualization\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects that focus on visualization (viz.) for atomistic ML._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fcrystaltoolkit\">Crystal Toolkit\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 190 · 📈) - Crystal Toolkit is a framework for building web apps for materials science and is currently powering the new Materials.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fcrystaltoolkit) (👨‍💻 38 · 🔀 66 · 📦 43 · 📋 150 - 45% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fcrystaltoolkit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcrystal-toolkit) (📥 8.6K \u002F month · 📦 12 · ⏱️ 05.03.2026):\n\t```\n\tpip install crystal-toolkit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\">pymatviz\u003C\u002Fa>\u003C\u002Fb> (🥈23 ·  ⭐ 310) - A toolkit for visualizations in materials informatics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-tool\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz) (👨‍💻 14 · 🔀 37 · 📥 5.4K · 📦 32 · 📋 65 - 1% open · ⏱️ 21.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpymatviz) (📥 11K \u002F month):\n\t```\n\tpip install pymatviz\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope\">Chemiscope\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 170) - An interactive structure\u002Fproperty explorer for materials and molecules. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope) (👨‍💻 27 · 🔀 43 · 📥 650 · 📦 6 · 📋 170 - 7% open · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope\n\t```\n- [npm](https:\u002F\u002Fwww.npmjs.com\u002Fpackage\u002Fchemiscope) (📥 91 \u002F month):\n\t```\n\tnpm install chemiscope\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatterviz\">Elementari\u003C\u002Fa>\u003C\u002Fb> (🥉21 ·  ⭐ 310) - Interactive browser visualizations for materials science: crystal structures\u002Fmolecules, trajectories, convex hulls,.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatterviz) (👨‍💻 6 · 🔀 30 · 📥 3.4K · 📦 5 · 📋 43 - 4% open · ⏱️ 10.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Felementari\n\t```\n- [npm](https:\u002F\u002Fwww.npmjs.com\u002Fpackage\u002Felementari) (📦 2 · ⏱️ 19.06.2025):\n\t```\n\tnpm install elementari\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzincware\u002FZnDraw\">ZnDraw\u003C\u002Fa>\u003C\u002Fb> (🥉21 ·  ⭐ 49) - A powerful tool for visualizing, modifying, and analysing atomistic systems. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xmjV\">EPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>JavaScript\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fzincware\u002FZnDraw) (👨‍💻 15 · 🔀 5 · 📦 16 · 📋 380 - 20% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fzincware\u002FZnDraw\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fzndraw) (📥 2.6K \u002F month · 📦 5 · ⏱️ 25.03.2026):\n\t```\n\tpip install zndraw\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision\">Atomvision\u003C\u002Fa>\u003C\u002Fb> (🥉12 ·  ⭐ 34 · 💤) - Deep learning framework for atomistic image data. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision\u002Fblob\u002Fmaster\u002FLICENSE.md\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FComputer_vision\">\u003Ccode>computer-vision\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>experimental-data\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision) (👨‍💻 4 · 🔀 17 · 📦 4 · 📋 9 - 55% open · ⏱️ 25.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fatomvision) (📥 290 \u002F month · ⏱️ 08.05.2023):\n\t```\n\tpip install atomvision\n\t```\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Wavefunction methods (ML-WFT)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n_Projects and models that focus on quantities of wavefunction theory methods, such as Monte Carlo techniques like deep learning variational Monte Carlo (DL-VMC), quantum chemistry methods, etc._\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc\">DeepQMC\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 410 · 💤) - Deep learning quantum Monte Carlo for electrons in real space. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc) (👨‍💻 14 · 🔀 62 · 📦 3 · 📋 63 - 6% open · ⏱️ 14.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepqmc) (📥 160 \u002F month):\n\t```\n\tpip install deepqmc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fferminet\">FermiNet\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 820) - An implementation of the Fermionic Neural Network for ab-initio electronic structure calculations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fferminet) (👨‍💻 24 · 🔀 160 · 📋 71 - 4% open · ⏱️ 11.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fferminet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\">DeepErwin\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 67 · 💤) - DeepErwin is a python 3.8+ package that implements and optimizes JAX 2.x wave function models for numerical solutions.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\u002Fblob\u002Fmaster\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin) (👨‍💻 9 · 🔀 8 · 📥 18 · 📦 2 · ⏱️ 18.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeeperwin) (📥 28 \u002F month · ⏱️ 14.12.2021):\n\t```\n\tpip install deeperwin\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbytedance\u002Fjaqmc\">JaQMC\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 93 · 💤) - JAX accelerated Quantum Monte Carlo. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbytedance\u002Fjaqmc) (👨‍💻 4 · 🔀 11 · ⏱️ 30.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbytedance\u002Fjaqmc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 3 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEpsi.jl\">ACEpsi.jl\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 3 · 💀) - ACE wave function parameterizations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbytedance\u002FLapNet\">LapNet\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 73 · 💀) - Efficient and Accurate Neural-Network Ansatz for Quantum Monte Carlo. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FSchNOrb\">SchNOrb\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 69 · 💀) - Unifying machine learning and quantum chemistry with a deep neural network for molecular wavefunctions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## Others\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"Back to top\">\u003C\u002Fa>\n\n\n\n---\n\n## Contribution\n\nContributions are encouraged and always welcome! If you like to add or update projects, choose one of the following ways:\n\n- Open an issue by selecting one of the provided categories from the [issue page](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002Fnew\u002Fchoose) and fill in the requested information.\n- Modify the [projects.yaml](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fmain\u002Fprojects.yaml) with your additions or changes, and submit a pull request. This can also be done directly via the [Github UI](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fedit\u002Fmain\u002Fprojects.yaml).\n\nIf you like to contribute to or share suggestions regarding the project metadata collection or markdown generation, please refer to the [best-of-generator](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of-generator) repository. If you like to create your own best-of list, we recommend to follow [this guide](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of\u002Fblob\u002Fmain\u002Fcreate-best-of-list.md).\n\nFor more information on how to add or update projects, please read the [contribution guidelines](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fmain\u002FCONTRIBUTING.md). By participating in this project, you agree to abide by its [Code of Conduct](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fmain\u002F.github\u002FCODE_OF_CONDUCT.md).\n\n## License\n\n[![CC0](https:\u002F\u002Fmirrors.creativecommons.org\u002Fpresskit\u002Fbuttons\u002F88x31\u002Fsvg\u002Fby-sa.svg)](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F4.0\u002F)\n","\u003C!-- markdownlint-disable -->\n\u003Ch1 align=\"center\">\n    \u003C!-- ⚛️🧬❄️\u002F💎,  🤖🧠🦾✨, ▶️⏩➡️↔️🔄🔁♻️-->\n    原子尺度机器学习精选 ⚛️🧬💎\n    \u003Cbr>\n\u003C\u002Fh1>\n\n\u003Cp align=\"center\">\n    \u003C!-- 注意：图片预览时，请使用相对于源文件（即 config\u002Fheader.md）的路径；生产环境则使用相对于 README.md 的路径。 -->\n    \u003C!-- 可以是“原子+神经网络”，也可以是“神经网络+原子”、“DNA”、“晶体”，代表材料与分子领域 -->\n    \u003C!-- \u003Cimg src=\"config\u002Fimages\u002Femoji-neural-network-like-atom_atom.svg\" width=\"40\"> -->\n    \u003C!-- \u003Cimg src=\"config\u002Fimages\u002Femoji-neural-network-like-atom_nn-purple.svg\" width=\"40\"> -->\n    \u003C!-- \u003Cimg src=\".\u002Fimages\u002Femoji-dna.svg\" width=\"40\"> -->\n    \u003C!-- \u003Cimg src=\".\u002Fimages\u002Femoji-gem-stone.svg\" width=\"40\"> -->\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Cstrong>🏆  一份精彩的原子尺度机器学习（AML）项目排行榜，定期更新。\u003C\u002Fstrong>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca href=\"https:\u002F\u002Fbest-of.org\" title=\"Best-of 徽章\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_d0666e818392.png\">\u003C\u002Fa>\n    \u003Ca href=\"#Contents\" title=\"项目数量\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fprojects-510-blue.svg?color=5ac4bf\">\u003C\u002Fa>\n    \u003Ca href=\"#Contribution\" title=\"欢迎贡献\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-green.svg\">\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Freleases\" title=\"Best-of 更新\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease-date\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning?color=green&label=updated\">\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.10430261\">\u003Cimg src=\"https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.10430261.svg\" alt=\"DOI\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n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](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of-generator#project-quality-score)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](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002Fnew\u002Fchoose)，提交一个[pull request](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fpulls)，或直接编辑[projects.yaml](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fedit\u002Fmain\u002Fprojects.yaml)。\n\n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！\n\n\u003Cstrong>如何引用。\u003C\u002Fstrong> 请参阅右侧边栏中的“引用此仓库”按钮。\n\n> 🧙‍♂️  探索其他[best-of 列表](https:\u002F\u002Fbest-of.org)，或[创建您自己的列表](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of\u002Fblob\u002Fmain\u002Fcreate-best-of-list.md)。\n\n## 目录\n\n- [主动学习](#active-learning) _9个项目_\n- [社区资源](#community-resources) _38个项目_\n- [数据集](#datasets) _55个项目_\n- [数据结构](#data-structures) _4个项目_\n- [密度泛函理论（ML-DFT）](#density-functional-theory-ml-dft) _39个项目_\n- [教育资源](#educational-resources) _32个项目_\n- [可解释人工智能（XAI）](#explainable-artificial-intelligence-xai) _4个项目_\n- [电子结构方法（ML-ESM）](#electronic-structure-methods-ml-esm) _6个项目_\n- [通用工具](#general-tools) _24个项目_\n- [生成模型](#generative-models) _17个项目_\n- [原子间势能（ML-IAP）](#interatomic-potentials-ml-iap) _78个项目_\n- [语言模型](#language-models) _25个项目_\n- [材料发现](#materials-discovery) _13个项目_\n- [数学工具](#mathematical-tools) _13个项目_\n- [分子动力学](#molecular-dynamics) _15个项目_\n- [概率性机器学习](#probabilistic-ml) _1个项目_\n- [强化学习](#reinforcement-learning) _2个项目_\n- [表征工程](#representation-engineering) _31个项目_\n- [表征学习](#representation-learning) _63个项目_\n- [通用势能](#universal-potentials) _19个项目_\n- [无监督学习](#unsupervised-learning) _10个项目_\n- [可视化](#visualization) _6个项目_\n- [波函数方法（ML-WFT）](#wavefunction-methods-ml-wft) _7个项目_\n- [其他](#others) _1个项目_\n\n## 解释\n- 🥇🥈🥉  综合项目质量评分\n- ⭐️  GitHub上的星数\n- 🐣  新项目 _(不足6个月)_\n- 💤  非活跃项目 _(6个月内无活动)_\n- 💀  已停止维护的项目 _(12个月内无活动)_\n- 📈📉  项目趋势向上或向下\n- ➕  最近新增的项目\n- 👨‍💻  GitHub上的贡献者数量\n- 🔀  GitHub上的分支数量\n- 📋  GitHub上的问题数量\n- ⏱️  包管理器上最后更新的时间戳\n- 📥  包管理器上的下载次数\n- 📦  依赖该项目的其他项目数量\n\n\u003Cbr>\n\n## 主动学习\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\">DP-GEN\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 380) - 基于深度学习的原子间势能与力场模型生成工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>工作流\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen) (👨‍💻 73 · 🔀 180 · 📥 2.1K · 📦 8 · 📋 340 - 13% 开放 · ⏱️ 01.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdpgen) (📥 550 \u002F 月 · 📦 2 · ⏱️ 07.08.2025):\n\t```\n\tpip install dpgen\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdeepmodeling\u002Fdpgen) (📥 290 · ⏱️ 25.03.2025):\n\t```\n\tconda install -c deepmodeling dpgen\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare\">FLARE\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare) (👨‍💻 44 · 🔀 78 · 📥 9 · 📦 12 · 📋 220 - 14% 开放 · ⏱️ 30.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fbgolearn.netlify.app\">Bgolearn\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 130) - [arXiv:2601.06820] Bgolearn 的官方实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>概率论\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FBin-Cao\u002FBgolearn) (👨‍💻 4 · 🔀 18 · 📥 71 · ⏱️ 16.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FBin-Cao\u002FBgolearn\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002FBgolearn) (📥 220 \u002F 月 · ⏱️ 13.01.2026):\n\t```\n\tpip install Bgolearn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzincware\u002FIPSuite\">IPSuite\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 24) - 一个 Python 工具包，用于公平、开放、可重复地开发和部署机器学习原子间势能模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xmjV\">EPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>工作流\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.go-fair.org\u002Ffair-principles\u002F\">\u003Ccode>FAIR\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fzincware\u002FIPSuite) (👨‍💻 9 · 🔀 13 · 📦 14 · 📋 180 - 49% 开放 · ⏱️ 13.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fzincware\u002FIPSuite\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fipsuite) (📥 170 \u002F 月 · 📦 5 · ⏱️ 20.11.2025):\n\t```\n\tpip install ipsuite\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2\">DP-GEN2\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 40) - 第二代深度势能生成器。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>工作流\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2) (👨‍💻 19 · 🔀 36 · 📦 6 · 📋 46 - 39% 开放 · ⏱️ 11.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 4 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare_pp\">flare++\u003C\u002Fa>\u003C\u002Fb> (🥉12 ·  ⭐ 38 · 💀) - FLARE 代码的多体扩展版本。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Ffinetuna\">Finetuna\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 67 · 💀) - 用于机器学习势能的主动学习工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEHAL\">ACEHAL\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 15 · 💀) - 用于构建原子簇展开势能的超活跃学习（HAL）Python 接口。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnec-research\u002Falebrew\">ALEBREW\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 21 · 💀) - 论文《基于不确定性偏好的分子动力学：学习均匀准确的原子间势能》的官方仓库。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnec-research\u002Falebrew\u002Fblob\u002Fmain\u002FLICENSE.txt\">自定义许可\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 社区资源\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_收集原子尺度机器学习资源或促进社区交流的项目。_\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Facesupport.zulipchat.com\">ACE \u002F GRACE 支持\u003C\u002Fa>\u003C\u002Fb>  - 原子簇展开（ACE）及其扩展的支持论坛。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.air4.science\u002Fmap\">AI for Science 地图\u003C\u002Fa>\u003C\u002Fb>  - 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。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwiki.fysik.dtu.dk\u002Fase\u002Fecosystem.html\">ASE 生态系统\u003C\u002Fa>\u003C\u002Fb>  - 这是与 ASE 相关或使用 ASE 的软件包列表。 \u003Ccode>md, ml-iap\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcortner.github.io\u002FACEweb\u002F\">原子簇展开\u003C\u002Fa>\u003C\u002Fb>  - 原子簇展开（ACE）社区主页。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcrystallm.com\">CrystaLLM\u003C\u002Fa>\u003C\u002Fb>  - 根据化学组成生成晶体结构。 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成式\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fgap-ml.org\u002F\">GAP-ML.org 社区主页\u003C\u002Fa>\u003C\u002Fb>   \u003Ccode>ML-IAP\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmatsci.org\u002F\">matsci.org\u003C\u002Fa>\u003C\u002Fb>  - 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。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmattermodeling.stackexchange.com\u002Fquestions\u002Ftagged\u002Fmachine-learning\">物质建模 Stack Exchange - 机器学习\u003C\u002Fa>\u003C\u002Fb>  - Matter Modeling 网站上的 StackExchange 论坛，专门针对机器学习相关问题。\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flukasmasuch\u002Fbest-of-ml-python\">Python 机器学习最佳库\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 23K) - 一份每周更新的优秀 Python 机器学习库排名列表。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>通用机器学习\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flukasmasuch\u002Fbest-of-ml-python) (👨‍💻 57 · 🔀 3K · 📋 63 - 46% 开放 · ⏱️ 22.03.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fml-tooling\u002Fbest-of-ml-python\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\">MatBench Discovery\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>模型库\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery) (👨‍💻 28 · 🔀 53 · 📦 5 · 📋 70 - 1% 开源 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatbench-discovery) (📥 2.8K \u002F 月):\n\t```\n\tpip install matbench-discovery\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenml\u002FOpenML\">OpenML\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 730) - 开放式机器学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenml\u002FOpenML) (👨‍💻 35 · 🔀 120 · 📋 960 - 40% 开源 · ⏱️ 23.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenml\u002FOpenML\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fthegardens.ai\u002F\">Garden\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 38) - FAIR AI\u002FML 模型发布框架。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>模型库\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGarden-AI\u002Fgarden) (👨‍💻 14 · 🔀 4 · 📦 6 · 📋 380 - 3% 开源 · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGarden-AI\u002Fgarden\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgarden-ai) (📥 450 \u002F 月 · ⏱️ 18.03.2026):\n\t```\n\tpip install garden-ai\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature\">基于图的深度学习文献\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 5K) - 提供关于基于图的深度学习领域会议论文的链接。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>通用机器学习\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature) (👨‍💻 12 · 🔀 750 · ⏱️ 07.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Fblob\u002Fmain\u002FOverview\u002Fresources.md\">科学人工智能资源\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 740) - 包含学习资源在内的 AI4Science 研究资源列表。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL-3.0%20license\">GPL-3.0 许可证\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% 开源 · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FGT4SD\">GT4SD - 科学发现生成工具包\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 370) - GT4SD 中生成模型的 Gradio 应用程序。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>模型库\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core) (👨‍💻 20 · 🔀 78 · 📋 110 - 1% 开源 · ⏱️ 18.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FEipgen\u002FNeural-Network-Models-for-Chemistry\">化学领域的神经网络模型\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 180) - 化学领域神经网络模型的集合。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FEipgen\u002FNeural-Network-Models-for-Chemistry) (👨‍💻 3 · 🔀 24 · 📋 2 - 50% 开源 · ⏱️ 05.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FEipgen\u002FNeural-Network-Models-for-Chemistry\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fnext-gen.materialsproject.org\u002Fmaterials\u002Fgnome\">GNoME 浏览器\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 1.2K · 💤) - 用于材料探索的图网络数据库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery) (👨‍💻 2 · 🔀 180 · 📋 25 - 84% 开源 · ⏱️ 03.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics\">优秀材料信息学\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics#license\">自定义许可\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics) (👨‍💻 21 · 🔀 100 · ⏱️ 19.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyuzhimanhua\u002FAwesome-Scientific-Language-Models\">优秀科学语言模型\u003C\u002Fa>\u003C\u002Fb> (🥈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）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>通用机器学习\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>多模态\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fyuzhimanhua\u002FAwesome-Scientific-Language-Models) (👨‍💻 9 · 🔀 36 · ⏱️ 21.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fyuzhimanhua\u002FAwesome-Scientific-Language-Models\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fawesome-matchem-datasets\">优秀材料与化学数据集\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>实验数据\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>文献数据\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProprietary_software\">\u003Ccode>专有数据\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fawesome-matchem-datasets) (👨‍💻 9 · 🔀 34 · 📋 15 - 26% 开源 · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fawesome-matchem-datasets\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsmsharma\u002Fawesome-neural-sbi\">优秀神经 SBI\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsmsharma\u002Fawesome-neural-sbi) (👨‍💻 7 · 🔀 8 · 📋 2 - 50% 开放 · ⏱️ 28.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsmsharma\u002Fawesome-neural-sbi\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Foptimade.science\">optimade.science\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 10) - 一个基于 Optimade 的天空扫描器纯浏览器 GUI。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Foptimade.science) (👨‍💻 8 · 🔀 4 · 📋 26 - 26% 开放 · ⏱️ 04.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Foptimade.science\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fneurreps\u002Fawesome-neural-geometry\">Awesome Neural Geometry\u003C\u002Fa>\u003C\u002Fb> (🥉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…… \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>educational\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fneurreps\u002Fawesome-neural-geometry) (👨‍💻 16 · 🔀 70 · ⏱️ 24.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fneurreps\u002Fawesome-neural-geometry\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science\">材料科学数据库与数据集资源合集\u003C\u002Fa>\u003C\u002Fb> (🥉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\u002F手册的列表…… \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science) (👨‍💻 2 · 🔀 58 · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAI4QC\u002FAI_for_Science_paper_collection\">科学领域人工智能论文集\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 160) - 列出被顶级会议接收的科学领域人工智能相关论文。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FAI4QC\u002FAI_for_Science_paper_collection) (👨‍💻 7 · 🔀 16 · ⏱️ 24.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsherrylixuecheng\u002FAI_for_Science_paper_collection\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fml_publication_charts\">科学领域机器学习出版物图表\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fml_publication_charts) (👨‍💻 2 · ⏱️ 10.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fblaiszik\u002Fml_publication_charts\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects\">DeepModeling 项目\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 8) - DeepModeling 相关项目。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects) (👨‍💻 4 · 🔀 2 · ⏱️ 26.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkdmsit\u002FAwesome-Crystal-GNNs\">Awesome-Crystal-GNNs\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fkdmsit\u002FAwesome-Crystal-GNNs) (👨‍💻 2 · 🔀 13 · ⏱️ 09.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fkdmsit\u002FAwesome-Crystal-GNNs\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 10 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fmatbench\">MatBench\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 190 · 💀) - Matbench：用于材料科学性质预测的基准测试。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>模型库\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fmolformer.res.ibm.com\u002F\">MoLFormers UI\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 390 · 💀) - 一系列基于化学品训练的基础模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>变换器\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyuanqidu\u002Fawesome-graph-generation\">Awesome-Graph-Generation\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 360 · 💀) - 一份精选的最新图生成论文和资源列表。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fncfrey\u002Fresources\">高度主观的开源材料信息学资源列表\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 150 · 💀) - 一份高度主观的开源材料信息学资源列表。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"MADICES\u002FMADICES.github.io\u002Fblob\u002Fmain\u002Fdocs\u002Fawesome_interoperability.md\">MADICES Awesome Interoperability\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fbohrium.dp.tech\u002Fcompetitions\u002F8821838186\">LAM晶体集邮比赛2024\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 22 · 💀) - OpenLAM挑战赛：晶体结构预测 https:\u002F\u002Farxiv.org\u002Fabs\u002F2501.16358。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode> \u003Ccode>结构预测\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAlexDuvalinho\u002Fgeometric-gnns\">Geometric-GNNs\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 120 · 💀) - 用于三维原子系统的几何GNN列表。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode> \u003Ccode>教育\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fthismaterialdoesnotexist.com\u002F\">这种材料存在吗？\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 18 · 💀) - 投票决定你认为预测的晶体结构是否可以被合成。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>娱乐\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftopics\u002Fmaterials-informatics\">GitHub主题：材料信息学\u003C\u002Fa>\u003C\u002Fb> (🥉1) - GitHub主题：材料信息学。 \u003Ccode>未授权\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fma.issp.u-tokyo.ac.jp\u002Fen\u002F\">MateriApps\u003C\u002Fa>\u003C\u002Fb> (🥉1) - 材料科学模拟门户网站。 \u003Ccode>未授权\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n\n\n## 数据集\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_用于原子尺度机器学习的数据集、数据库和训练好的模型。_\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Falexandria.icams.rub.de\u002F\">亚历山大里亚材料数据库\u003C\u002Fa>\u003C\u002Fb>  - 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。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.catalysis-hub.org\u002F\">催化中心\u003C\u002Fa>\u003C\u002Fb>  - 一个用于共享计算催化研究数据和软件的网络平台！\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcitrination.com\u002F\">Citrination数据集\u003C\u002Fa>\u003C\u002Fb>  - 基于人工智能的材料数据平台。开放版Citrination已停止服务。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fcrystals.ai\u002F\">crystals.ai\u003C\u002Fa>\u003C\u002Fb>  - 为材料科学中的可重复性人工智能精心整理的数据集。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FDeepChem\">DeepChem模型\u003C\u002Fa>\u003C\u002Fb>  - DeepChem在HuggingFace上的模型。 \u003Ccode>模型库\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Ffigshare.com\u002Farticles\u002Fdataset\u002FGraphs_of_Materials_Project_20190401\u002F8097992\">材料项目图谱20190401\u003C\u002Fa>\u003C\u002Fb>  - 用于训练MEGNet原子间势能的数据集。 \u003Ccode>ML-IAP\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.6084\u002Fm9.figshare.19658538\">HME21数据集\u003C\u002Fa>\u003C\u002Fb>  - 高温多元素2021年数据集，用于优先势能（PFP）。 \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fpages.nist.gov\u002Fjarvis_leaderboard\u002F\">JARVIS排行榜\u003C\u002Fa>\u003C\u002Fb> ( ⭐ 72 · 💤)  - 一项大规模的材料设计方法基准测试：https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41524-024-01259-w。 \u003Ccode>模型库\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>社区资源\u003C\u002Fcode> \u003Ccode>教育\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmaterialsproject.org\u002Fml\u002Fcharge_densities\">材料项目——电荷密度\u003C\u002Fa>\u003C\u002Fb>  - 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。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Ffigshare.com\u002Farticles\u002Fdataset\u002FMaterials_Project_Trjectory_MPtrj_Dataset\u002F23713842\">材料项目轨迹（MPtrj）数据集\u003C\u002Fa>\u003C\u002Fb>  - 用于训练CHGNet通用势能的数据集。 \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmatterverse.ai\u002F\">matterverse.ai\u003C\u002Fa>\u003C\u002Fb>  - 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。\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Ffigshare.com\u002Farticles\u002Fdataset\u002FMPF_2021_2_8\u002F19470599\">MPF.2021.2.8\u003C\u002Fa>\u003C\u002Fb>  - 用于训练M3GNet通用势能的数据集。 \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmaterials.nrel.gov\u002F\">NRELMatDB\u003C\u002Fa>\u003C\u002Fb>  - 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……\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdata.dtu.dk\u002Farticles\u002Fdataset\u002FQM9_Charge_Densities_and_Energies_Calculated_with_VASP\u002F16794500\">QM9电荷密度和能量\u003C\u002Fa>\u003C\u002Fb>  - 使用VASP结合原子模拟环境计算的QM9分子。 \u003Ccode>ML-DFT\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.6084\u002Fm9.figshare.25993060.v1\">QM40数据集\u003C\u002Fa>\u003C\u002Fb>  - 一个更贴近现实的分子科学机器学习数据集 https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41597-024-04206-y。 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"CC-BY-3.0\">QMugs dataset\u003C\u002Fa>\u003C\u002Fb>  - Quantum Mechanical Properties of Drug-like Molecules https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41597-022-01390-7. \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"http:\u002F\u002Fquantum-machine.org\u002Fdatasets\u002F\">Quantum-Machine.org Datasets\u003C\u002Fa>\u003C\u002Fb>  - Collection of datasets, including QM7, QM9, etc. MD, DFT. Small organic molecules, mostly.\n\n🔗 \u003Cb>\u003Ca href=\"http:\u002F\u002Fsgdml.org\u002F#datasets\">sGDML Datasets\u003C\u002Fa>\u003C\u002Fb>  - MD17, MD22, DFT datasets.\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fmoleculenet.org\u002F\">MoleculeNet\u003C\u002Fa>\u003C\u002Fb>  - A Benchmark for Molecular Machine Learning. \u003Ccode>benchmarking\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fzinc15.docking.org\u002F\">ZINC15\u003C\u002Fa>\u003C\u002Fb>  - A free database of commercially-available compounds for virtual screening. ZINC contains over 230 million purchasable.. \u003Ccode>graph\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fzinc.docking.org\u002F\">ZINC20\u003C\u002Fa>\u003C\u002Fb>  - A free database of commercially-available compounds for virtual screening. ZINC contains over 230 million purchasable.. \u003Ccode>graph\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem\">FAIR Chemistry datasets\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 2K · 📉) - Datasets OC20, OC22, etc. Formerly known as Open Catalyst Project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Ffairchem\u002FOMAT24\">Meta Open Materials 2024 (OMat24) Dataset\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 2K) - Contains over 100 million Density Functional Theory calculations focused on structural and compositional diversity. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% open · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F month):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs\">MPContribs\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 39) - Platform for materials scientists to contribute and disseminate their materials data through Materials Project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs) (👨‍💻 29 · 🔀 26 · 📦 58 · 📋 100 - 19% open · ⏱️ 26.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmpcontribs-client) (📥 6.6K \u002F month):\n\t```\n\tpip install mpcontribs-client\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-python-tools\">OPTIMADE Python tools\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 89) - Tools for implementing and consuming OPTIMADE APIs in Python. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-python-tools) (👨‍💻 34 · 🔀 50 · 📋 500 - 22% open · ⏱️ 02.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-python-tools\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Foptimade) (📥 21K \u002F month · 📦 4 · ⏱️ 13.02.2026):\n\t```\n\tpip install optimade\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Foptimade) (📥 170K · ⏱️ 13.02.2026):\n\t```\n\tconda install -c conda-forge optimade\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fload-atoms\">load-atoms\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 48) - download and manipulate atomistic datasets. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>data-structures\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fload-atoms) (👨‍💻 5 · 🔀 5 · 📦 8 · 📋 35 - 14% open · ⏱️ 25.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fload-atoms\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fload-atoms) (📥 150K \u002F month · 📦 3 · ⏱️ 25.11.2025):\n\t```\n\tpip install load-atoms\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE\">Open Databases Integration for Materials Design (OPTIMADE)\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 100) - Specification of a common REST API for access to materials databases. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE) (👨‍💻 24 · 🔀 37 · 📋 260 - 30% open · ⏱️ 18.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHBench\u002FQH9\">QH9\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 740) - A Quantum Hamiltonian Prediction Benchmark. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-SA-4.0\">CC-BY-NC-SA-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.openqdc.io\u002F\">OpenQDC\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 60 · 💤) - Repository of Quantum Datasets Publicly Available. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fvalence-labs\u002FOpenQDC) (👨‍💻 10 · 🔀 5 · 📦 4 · 📋 50 - 18% open · ⏱️ 19.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fvalence-labs\u002FopenQDC\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fopenqdc) (📥 140 \u002F month):\n\t```\n\tpip install openqdc\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fopenqdc) (📥 2.1K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge openqdc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fopenkim.org\u002F\">OpenKIM\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 37) - The Open Knowledgebase of Interatomic Models (OpenKIM) aims to be an online resource for standardized testing, long-.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FKnowledge_base\">\u003Ccode>knowledge-base\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkim-api) (👨‍💻 27 · 🔀 18 · 📋 37 - 40% open · ⏱️ 06.03.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkim-api\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAIRI-Institute\u002FnablaDFT\">nablaDFT\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 230) - nablaDFT: Large-Scale Conformational Energy and Hamiltonian Prediction benchmark and dataset. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-WFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FAIRI-Institute\u002FnablaDFT) (👨‍💻 9 · 🔀 26 · 📋 28 - 10% open · ⏱️ 31.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FAIRI-Institute\u002FnablaDFT\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fspice-dataset\">SPICE\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 190) - A collection of QM data for training potential functions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fspice-dataset) (🔀 11 · 📥 340 · 📋 74 - 25% open · ⏱️ 25.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fspice-dataset\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fmatpes.ai\u002F\">MatPES\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 53) - A foundational potential energy dataset for materials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatpes) (👨‍💻 3 · 🔀 5 · 📋 9 - 22% open · ⏱️ 02.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatpes\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatpes) (📥 110 \u002F month · ⏱️ 10.03.2025):\n\t```\n\tpip install matpes\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmpds-io\u002Fmpds-api\">MPDS API\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 26) - Tutorials, notebooks, issue tracker, and website on the MPDS API: the data retrieval interface for the Materials.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhase_transition\">\u003Ccode>phase-transition\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmpds-io\u002Fmpds-api) (👨‍💻 5 · 🔀 5 · 📋 36 - 22% open · ⏱️ 24.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmpds-io\u002Fmpds-api\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmpds_client) (📥 350 \u002F month):\n\t```\n\tpip install mpds_client\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNRC-Mila\u002FOBELiX\">OBELiX\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 51) - A Curated Dataset of Crystal Structures and Experimentally Measured Ionic Conductivities for Lithium Solid-State.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>experimental-data\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FNRC-Mila\u002FOBELiX) (👨‍💻 6 · 🔀 9 · 📋 2 - 50% open · ⏱️ 27.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FNRC-Mila\u002FOBELiX\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fobelix-data) (📥 39 \u002F month · ⏱️ 16.05.2025):\n\t```\n\tpip install obelix-data\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAIS-Square\">AIS Square\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 15) - A collaborative and open-source platform for sharing AI for Science datasets, models, and workflows. Home of the.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAIS-Square) (👨‍💻 8 · 🔀 8 · 📋 6 - 83% open · ⏱️ 23.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAIS-Square\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE\">polyVERSE\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 31) - polyVERSE is a comprehensive repository of informatics-ready datasets curated by the Ramprasad Group. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE?tab=License-1-ov-file\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSoft_matter\">\u003Ccode>soft-matter\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE) (👨‍💻 9 · 🔀 6 · ⏱️ 21.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRamprasad-Group\u002FpolyVERSE\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fvisual_graph_datasets\">Visual Graph Datasets\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 5) - Datasets for the training of graph neural networks (GNNs) and subsequent visualization of attributional explanations.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fvisual_graph_datasets) (👨‍💻 2 · 🔀 3 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fvisual_graph_datasets\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJesperkemist\u002Fperovskitedatabase\">The Perovskite Database Project\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 70) - Perovskite Database Project aims at making all perovskite device data, both past and future, available in a form.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FJesperkemist\u002Fperovskitedatabase) (👨‍💻 2 · 🔀 26 · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FJesperkemist\u002Fperovskitedatabase\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FORNL\u002FAnalysis-of-Large-Scale-Molecular-Datasets-with-Python\">GDB-9-Ex9 and ORNL_AISD-Ex\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 10 · 💤) - Distributed computing workflow for generation and analysis of large scale molecular datasets obtained running multi-.. \u003Ccode>Unlicensed\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FORNL\u002FAnalysis-of-Large-Scale-Molecular-Datasets-with-Python) (👨‍💻 7 · 🔀 6 · ⏱️ 12.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FORNL\u002FAnalysis-of-Large-Scale-Molecular-Datasets-with-Python\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>Show 15 hidden projects...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrorlab\u002Fatom3d\">ATOM3D\u003C\u002Fa>\u003C\u002Fb> (亚军19 ·  ⭐ 320 · 💀) - ATOM3D：针对三维分子的任务。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>生物分子\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.materialsdatafacility.org\">材料数据设施（MDF）\u003C\u002Fa>\u003C\u002Fb> (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，.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fmoleculenet\">MoleculeNet排行榜\u003C\u002Fa>\u003C\u002Fb> (季军9 ·  ⭐ 100 · 💀) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHSE-LAMBDA\u002Fai4material_design\u002Fblob\u002Fmain\u002Fdocs\u002FDATA.md\">2DMD数据集\u003C\u002Fa>\u003C\u002Fb> (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…… \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>材料缺陷\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FANI1_dataset\">ANI-1数据集\u003C\u002Fa>\u003C\u002Fb> (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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fgeom\">GEOM\u003C\u002Fa>\u003C\u002Fb> (季军7 ·  ⭐ 240 · 💀) - GEOM：带有能量标注的分子构象。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002FANI1x_datasets\">ANI-1x数据集\u003C\u002Fa>\u003C\u002Fb> (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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FCOMP6\">COMP6基准数据集\u003C\u002Fa>\u003C\u002Fb> (季军6 ·  ⭐ 40 · 💀) - 用于机器学习势能的COMP6基准数据集。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrcassar\u002FSciGlass\">SciGlass\u003C\u002Fa>\u003C\u002Fb> (季军6 ·  ⭐ 15 · 💀) - 该数据库包含大量关于玻璃材料性能的数据。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.optimade.org\u002Fproviders-dashboard\u002F\">OPTIMADE提供商仪表盘\u003C\u002Fa>\u003C\u002Fb> (季军5 ·  ⭐ 2 · 💤) - 已知提供商的仪表盘。 \u003Ccode>未授权\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002F3DSC\">3DSC数据库\u003C\u002Fa>\u003C\u002Fb> (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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002F3DSC\u002Fblob\u002Fmain\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSuperconductivity\">\u003Ccode>超导体\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmathsphy\u002Fpaper-data-redundancy\">paper-data-redundancy\u003C\u002Fa>\u003C\u002Fb> (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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>小数据\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBingqingCheng\u002Flinear-regression-benchmarks\">线性回归基准数据集\u003C\u002Fa>\u003C\u002Fb> (季军4 ·  ⭐ 1 · 💀) - 用于线性回归基准测试的数据集。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fbrucefan1983\u002Fnep-data\">nep-data\u003C\u002Fa>\u003C\u002Fb> (季军3 ·  ⭐ 21 · 💀) - 与GPUMD的NEP机器学习势能相关的数据。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>传输现象\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002FtmQM_wB97MV\">tmQM_wB97MV数据集\u003C\u002Fa>\u003C\u002Fb> (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…… \u003Ccode>未授权\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>催化\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n\n## 数据结构\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_专注于提供原子尺度机器学习中使用的数据结构的项目。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata\">dpdata\u003C\u002Fa>\u003C\u002Fb> (冠军27 ·  ⭐ 240) - 一个Python软件包，用于处理计算科学中软件的原子级数据。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata) (👨‍💻 67 · 🔀 160 · 📦 160 · 📋 160 - 31%开放 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdpdata) (📥 77K \u002F 月 · 📦 44 · ⏱️ 28.02.2026):\n\t```\n\tpip install dpdata\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdeepmodeling\u002Fdpdata) (📥 410 · ⏱️ 25.03.2025):\n\t```\n\tconda install -c deepmodeling dpdata\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatensor\">Metatensor\u003C\u002Fa>\u003C\u002Fb> (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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Rust\u003C\u002Fcode> \u003Ccode>C语言\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatensor) (👨‍💻 36 · 🔀 24 · 📥 54K · 📦 14 · 📋 260 - 24%开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatensor\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmetatensor) (📥 1.4K \u002F 月):\n\t```\n\tpip install metatensor\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho\">mp-pyrho\u003C\u002Fa>\u003C\u002Fb> (季军19 ·  ⭐ 42) - 用于将体积量子化学数据重新网格化以供机器学习使用的小工具。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho) (👨‍💻 10 · 🔀 10 · 📦 34 · 📋 6 - 50%开放 · ⏱️ 13.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fpyrho\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmp-pyrho) (📥 170K \u002F 月):\n\t```\n\tpip install mp-pyrho\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack\">dlpack\u003C\u002Fa>\u003C\u002Fb> (季军17 ·  ⭐ 1.2K) - 一种通用的内存中张量结构。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack) (👨‍💻 33 · 🔀 160 · 📋 85 - 28%开放 · ⏱️ 24.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack\n\t```\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 密度泛函理论 (ML-DFT)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Frodare.hzdr.de\u002Frecord\u002F2720\">IKS-PIML\u003C\u002Fa>\u003C\u002Fb>  - 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。 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FNeural_operators\">\u003Ccode>neural-operator\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhysics-informed_neural_networks\">\u003Ccode>pinn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Frecords\u002F10616893\">M-OFDFT\u003C\u002Fa>\u003C\u002Fb>  - 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。 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fjax_dft\">JAX-DFT\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research) (👨‍💻 860 · 🔀 8.3K · 📋 1.4K - 75% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala\">MALA\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala) (👨‍💻 47 · 🔀 28 · 📦 2 · 📋 310 - 9% open · ⏱️ 16.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHNet\">QHNet\u003C\u002Fa>\u003C\u002Fb> (🥇14 ·  ⭐ 740) - 科学人工智能研究（AIRS）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% open · ⏱️ 14.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fandreagrisafi\u002FSALTED\">SALTED\u003C\u002Fa>\u003C\u002Fb> (🥇14 ·  ⭐ 42) - 三维电子密度及其静电响应的对称性自适应学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fandreagrisafi\u002FSALTED) (👨‍💻 24 · 🔀 6 · 📋 11 - 27% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fandreagrisafi\u002FSALTED\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flcmd-epfl\u002FQ-stack\">Q-stack\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExcited_state\">\u003Ccode>excited-states\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>general-tool\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flcmd-epfl\u002FQ-stack) (👨‍💻 8 · 🔀 7 · 📋 55 - 12% open · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flcmd-epfl\u002FQ-stack\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN\">HamGNN\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>C-lang\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN) (👨‍💻 8 · 🔀 44 · 📋 78 - 83% open · ⏱️ 21.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepks-kit\">DeePKS-kit\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 120 · 💤) - 一个 package for developing machine learning-based chemically accurate energy and density functional models. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCategory:Density_functional_theory\">\u003Ccode>ml-functional\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepks-kit) (👨‍💻 7 · 🔀 39 · 📋 32 - 46% open · ⏱️ 28.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepks-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEhamiltonians.jl\">ACEhamiltonians\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEhamiltonians.jl) (👨‍💻 5 · 🔀 7 · 📋 5 - 40% open · ⏱️ 17.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEhamiltonians.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002FCiderPress\">CiderPress\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCategory:Density_functional_theory\">\u003Ccode>ml-functional\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C-lang\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002FCiderPress) (👨‍💻 2 · 🔀 3 · ⏱️ 09.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002FCiderPress\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fciderpress) (📥 48 \u002F month):\n\t```\n\tpip install ciderpress\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio\">dftio\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>data-structures\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio) (👨‍💻 5 · 🔀 10 · 📋 8 - 50% open · ⏱️ 18.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FXiaoxun-Gong\u002FDeepH-E3\">DeepH-E3\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FXiaoxun-Gong\u002FDeepH-E3) (👨‍💻 2 · 🔀 28 · 📋 40 - 67% open · ⏱️ 27.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FXiaoxun-Gong\u002FDeepH-E3\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示26个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fdeepmind-research\u002Ftree\u002Fmaster\u002Fdensity_functional_approximation_dm21\">DM21\u003C\u002Fa>\u003C\u002Fb> (🥇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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmzjb\u002FDeepH-pack\">DeepH-pack\u003C\u002Fa>\u003C\u002Fb> (🥈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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> 许可证，使用 \u003Ccode>Julia\u003C\u002Fcode> 编程语言。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FXanaduAI\u002FGradDFT\">Grad DFT\u003C\u002Fa>\u003C\u002Fb> (🥈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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsemodi\u002Fneuralxc\">NeuralXC\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 36 · 💀) - 一种机器学习密度泛函的实现。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbiklooost\u002FPROPhet\">PROPhet\u003C\u002Fa>\u003C\u002Fb> (🥈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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> 许可证，支持 \u003Ccode>ML-IAP\u003C\u002Fcode>、\u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>、\u003Ccode>single-paper\u003C\u002Fcode> 和 \u003Ccode>C++\u003C\u002Fcode>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsemodi\u002Flibnxc\">Libnxc\u003C\u002Fa>\u003C\u002Fb> (🥈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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode> 许可证，支持 \u003Ccode>C++\u003C\u002Fcode> 和 \u003Ccode>Fortran\u003C\u002Fcode>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAIforGreatGood\u002Fcharge3net\">ChargE3Net\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，并涉及 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> 技术。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgomes-lab\u002FMat2Spec\">Mat2Spec\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，并涉及 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSpectroscopy\">\u003Ccode>spectroscopy\u003C\u002Fcode>\u003C\u002Fa>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpeterbjorgensen\u002FDeepDFT\">DeepDFT\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 87 · 💀) - DeepDFT 模型的官方实现。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkyonofx\u002Fscdp\">scdp（可扩展电荷密度预测）\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 40 · 💀) - [NeurIPS 2024] 《电荷密度预测指南》的源代码。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，并涉及 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> 和 \u003Ccode>single-paper\u003C\u002Fcode>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Fcharge-density-models\">charge-density-models\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 15 · 💀) - 使用 [fairchem](https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem) 构建电荷密度模型的工具。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，并涉及 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpedersor\u002Fksr_dft\">KSR-DFT\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 4 · 💀) - 用于机器学习 DFT 泛函的 Kohn-Sham 正则化器。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmzjb\u002FxDeepH\">xDeepH\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 40 · 💀) - 磁性材料的扩展版 DeepH 方法。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> 许可证，支持 \u003Ccode>magnetism\u003C\u002Fcode> 和 \u003Ccode>Julia\u003C\u002Fcode>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fccr-cheng\u002FInfGCN-pytorch\">InfGCN 用于电子密度估计\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 16 · 💀) - NeurIPS 23 特别关注论文《InfGCN》的官方实现。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，并涉及 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FNeural_operators\">\u003Ccode>neural-operator\u003C\u002Fcode>\u003C\u002Fa>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fm-stack-org\u002Frho_learn\">rho_learn\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，支持 \u003Ccode>ML-DFT\u003C\u002Fcode> 和 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMihailBogojeski\u002Fml-dft\">ML-DFT\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsiddarthachar\u002Fdeepcdp\">DeepCDP\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 6 · 💀) - DeepCDP：深度学习电荷密度预测。未授权许可。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffoxjas\u002FCSNN\">CSNN\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Frholearn\">rholearn\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，支持 \u003Ccode>ML-DFT\u003C\u002Fcode>、\u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDensity_of_states\">\u003Ccode>density-of-states\u003C\u002Fcode>\u003C\u002Fa>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fjmargraf\u002Fgprep\">gprep\u003C\u002Fa>\u003C\u002Fb> (🥉4 · 💀) - 使用 GPR 拟合 DFTB 反作用势。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> 许可证，基于单篇论文。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fofdft_nflows\">ofdft_nflows\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 11 · 💀) - 无轨道 DFT 的归一化流。未授权许可，属于 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> 类别。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Femotionor\u002FAPET\">APET\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 6 · 💀) - 基于原子位置嵌入的 Transformer。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> 许可证，支持 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDensity_of_states\">\u003Ccode>density-of-states\u003C\u002Fcode>\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmalada\">MALADA\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 1 · 💤) - MALA 数据采集：帮助构建 MALA 数据的实用工具。代码采用 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> 许可证。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbrunocuevas\u002Fa3md\">A3MD\u003C\u002Fa>\u003C\u002Fb> (🥉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 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> 和 \u003Ccode>single-paper\u003C\u002Fcode>。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FStefanoSanvitoGroup\u002FMLdensity\">MLDensity\u003C\u002Fa>\u003C\u002Fb> (🥉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。\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fjmargraf\u002Fkdf\">kdft\u003C\u002Fa>\u003C\u002Fb> (🥉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。\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 教育资源\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_教程、指南、烹饪书、配方等_\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fai4science101.github.io\u002F\">科学领域的AI入门\u003C\u002Fa>\u003C\u002Fb>   \u003Ccode>community-resource\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fsites.utu.fi\u002Fal4ms2023\u002Fmedia-and-tutorials\u002F\">AL4MS 2023研讨会教程\u003C\u002Fa>\u003C\u002Fb>   \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.elsevier.com\u002Fbooks-and-journals\u002Fbook-companion\u002F9780323900492\">机器学习时代的量子化学\u003C\u002Fa>\u003C\u002Fb>  - 书籍，2022年。\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fdmol.pub\u002F\">分子与材料的深度学习书\u003C\u002Fa>\u003C\u002Fb> (🥇13 ·  ⭐ 720) - 分子和材料的深度学习书籍。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fdmol-book\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fdmol-book) (👨‍💻 19 · 🔀 130 · 📋 160 - 9% 开放 · ⏱️ 20.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fdmol-book\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fschwallergroup\u002Fai4chem_course\">AI4Chemistry课程\u003C\u002Fa>\u003C\u002Fb> (🥇13 ·  ⭐ 260) - EPFL化学领域的AI课程，2023年春季。https:\u002F\u002Fschwallergroup.github.io\u002Fai4chem_course。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>chemistry\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fschwallergroup\u002Fai4chem_course) (👨‍💻 10 · 🔀 59 · 📋 4 - 25% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fschwallergroup\u002Fai4chem_course\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo\u002Fblob\u002Fmain\u002Fgeometric_gnn_101.ipynb\">几何GNN道场\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo) (👨‍💻 4 · 🔀 51 · 📋 9 - 22% 开放 · ⏱️ 09.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fatomistic-cookbook\">COSMO软件烹饪书\u003C\u002Fa>\u003C\u002Fb> (🥇12 ·  ⭐ 47) - 一套用于原子尺度材料和分子建模的模拟配方集。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fatomistic-cookbook) (👨‍💻 20 · 🔀 8 · 📋 33 - 33% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsoftware-cookbook\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faronwalsh\u002FMLforMaterials\">MLforMaterials\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Faronwalsh\u002FMLforMaterials) (👨‍💻 2 · 🔀 17 · ⏱️ 07.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Faronwalsh\u002FMLforMaterials\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP\">DSECOP\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 52 · 💤) - 此仓库包含由DSECOP研究员开发的数据科学教育材料。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CCO-1.0\">CCO-1.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP) (👨‍💻 14 · 🔀 26 · 📋 8 - 12% 开放 · ⏱️ 29.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks\">iam-notebooks\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 37) - 原子尺度建模导论课程的Jupyter笔记本。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks) (👨‍💻 6 · 🔀 6 · ⏱️ 14.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJARVIS-Materials-Design\u002Fjarvis-tools-notebooks\">jarvis-tools-notebooks\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 95 · 💤) - 此仓库已不再维护。如需最新更新和持续开发，请访问：.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=NIST\">NIST\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FJARVIS-Materials-Design\u002Fjarvis-tools-notebooks) (👨‍💻 6 · 🔀 38 · ⏱️ 10.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FJARVIS-Materials-Design\u002Fjarvis-tools-notebooks\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials\">DeepModeling教程\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 16) - DeepModeling项目的教程。 \u003Ccode>无许可\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials) (👨‍💻 12 · 🔀 24 · 📋 4 - 25% 开放 · ⏱️ 11.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-tutorials\">MACE教程\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 55) - 作者之一为MACE原子间势提供的另一套教程。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-tutorials) (👨‍💻 2 · 🔀 14 · ⏱️ 22.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Filyes319\u002Fmace-tutorials\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示19个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002FDeepLearningLifeSciences\">DeepLearningLifeSciences\u003C\u002Fa>\u003C\u002Fb> (🥇12 ·  ⭐ 400 · 💀) - 来自《生命科学中的深度学习》一书的示例代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fargonne-lcf\u002Fai-science-training-series\">超级计算机上的人工智能驱动科学入门：学生培训系列\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 240) -  \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>通用机器学习\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002Foptimade-tutorial-exercises\">OPTIMADE 教程练习\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 17 · 💀) - OPTIMADE API 的教程练习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit-tutorials\">RDKit 教程\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 310 · 💀) - 学习如何使用 RDKit 的教程。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit-tutorials\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fanthony-wang\u002FBestPractices\">最佳实践\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 200 · 💀) - 您在材料信息学研究中应该（和不应该）做的事情。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002FMAChINE\">MAChINE\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWardLT\u002Fapplied-ai-for-materials\">材料领域的应用人工智能\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 73 · 💀) - 材料科学与工程应用人工智能课程资料。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Fml_catalysis_tutorials\">催化领域机器学习教程\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FDoE_Course_Material\">面向材料化学家的数据处理、实验设计与统计分析\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FAI4Science101\">AI4Science101\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 99 · 💀) - 科学领域的人工智能。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002FMLSummerSchoolVienna2022\">硬质与软质材料的机器学习\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 39 · 💀) - ESI-DCAFM-TACO-VDSP 硬质与软质材料机器学习暑期学校。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBingqingCheng\u002FML-in-chemistry-101\">化学中的机器学习 101\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 87 · 💀) - 化学中机器学习 101 课程的教材。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fmatsciedu.github.io\u002FDSM-CORE\">DSM-CORE\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 16 · 💤) - 材料科学中的数据科学——开放教育资源合集。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgabor1\u002Fchemrev-gpr\">chemrev-gpr\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fai4chemmat\u002Fai4chemmat.github.io\">AI4ChemMat 实战系列\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN_lab\">PiNN 实验室\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 3 · 💀) - 用于开展原子神经网络实验课的材料。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbfocassio\u002FMLDensity_tutorial\">MLDensity_tutorial\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvictorprincipe\u002Fpair_potentials\">具有 GAP 势的 LAMMPS 式两体势\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmala-project\u002Fmala_tutorial\">MALA 教程\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 2 · 💀) - 完整的 MALA 实践教程。 \u003Ccode>无许可\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n\n## 可解释的人工智能 (XAI)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol\">exmol\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 350 · 💤) - 用于预测分子性质的黑盒模型的解释器。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol) (👨‍💻 9 · 🔀 46 · 📋 72 - 8% 开放 · ⏱️ 08.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fexmol) (📥 4.3K \u002F 月 · 📦 3 · ⏱️ 08.05.2025):\n\t```\n\tpip install exmol\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 3 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fgraph_attention_student\">MEGAN：多解释图注意力学生\u003C\u002Fa>\u003C\u002Fb> (🥈3 ·  ⭐ 12) - 图注意力学生模型架构的最小实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCitrineInformatics-ERD-public\u002Flinear-vs-blackbox\">线性 vs 黑盒\u003C\u002Fa>\u003C\u002Fb> (🥈3 ·  ⭐ 2 · 💀) - 与发表文章相关的代码和数据：科学机器学习中用于外推的可解释模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkwang3939\u002FXElemNet\">XElemNet\u003C\u002Fa>\u003C\u002Fb> (🥉2 · 💀) - 使用可解释人工智能 (XAI) 技术分析 ElemNet... \u003Ccode>无许可\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 电子结构方法 (ML-ESM)\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB\">DeePTB\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 100) - DeePTB：一个具有从头算精度的紧束缚哈密顿量深度学习工具包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB) (👨‍💻 15 · 🔀 27 · 📦 4 · 📋 59 - 32% 开放 · ⏱️ 19.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdptb) (📥 150 \u002F 月):\n\t```\n\tpip install dptb\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 5 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmasashitsubaki\u002FQuantumDeepField_molecule\">QDF for molecule\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"http:\u002F\u002Fqmlearn.rutgers.edu\u002F\">QMLearn\u003C\u002Fa>\u003C\u002Fb> (🥈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... \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fjmargraf\u002Fqpac\">q-pac\u003C\u002Fa>\u003C\u002Fb> (🥈5 ·  ⭐ 6 · 💀) - 核电荷平衡方法。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电学\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fecignoni\u002Fhalex\">halex\u003C\u002Fa>\u003C\u002Fb> (🥈5 ·  ⭐ 4 · 💀) - 激发态哈密顿量学习 https:\u002F\u002Fdoi.org\u002F10.48550\u002FarXiv.2311.00844。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExcited_state\">\u003Ccode>激发态\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuhrin\u002Fe3psi\">e3psi\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 7 · 💀) - 用于从电子结构中学习的等变机器学习库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 通用工具\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_用于原子尺度机器学习的通用工具。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit\">RDKit\u003C\u002Fa>\u003C\u002Fb> (🥇39 ·  ⭐ 3.4K) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>化学信息学\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit) (👨‍💻 270 · 🔀 960 · 📦 3 · 📋 4.3K - 15% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Frdkit\u002Frdkit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Frdkit) (📥 5M \u002F 月 · 📦 1.5K · ⏱️ 02.03.2026):\n\t```\n\tpip install rdkit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Frdkit\u002Frdkit) (📥 2.6M · ⏱️ 25.03.2025):\n\t```\n\tconda install -c rdkit rdkit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem\">DeepChem\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem) (👨‍💻 260 · 🔀 2.1K · 📦 660 · 📋 1.8K - 27% 开放 · ⏱️ 20.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepchem) (📥 40K \u002F 月):\n\t```\n\tpip install deepchem\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdeepchem) (📥 120K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge deepchem\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepchemio\u002Fdeepchem) (📥 9.4K · ⭐ 5 · ⏱️ 15.07.2025):\n\t```\n\tdocker pull deepchemio\u002Fdeepchem\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer\">Matminer\u003C\u002Fa>\u003C\u002Fb> (🥇32 ·  ⭐ 580) - 材料科学中的数据挖掘。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer) (👨‍💻 57 · 🔀 210 · 📦 480 · 📋 230 - 12% 开放 · ⏱️ 10.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fmatminer\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatminer) (📥 580K \u002F 月 · 📦 86 · ⏱️ 22.01.2026):\n\t```\n\tpip install matminer\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fmatminer) (📥 110K · ⏱️ 23.01.2026):\n\t```\n\tconda install -c conda-forge matminer\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP\">QUIP\u003C\u002Fa>\u003C\u002Fb> (🥈26 ·  ⭐ 390) - libAtoms\u002FQUIP 分子动力学框架：https:\u002F\u002Flibatoms.github.io。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP) (👨‍💻 86 · 🔀 130 · 📥 860 · 📦 46 · 📋 490 - 23% 开放 · ⏱️ 30.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fquippy-ase) (📥 3.3K \u002F 月 · 📦 9 · ⏱️ 30.01.2026):\n\t```\n\tpip install quippy-ase\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Flibatomsquip\u002Fquip) (📥 10K · ⭐ 4 · ⏱️ 24.04.2023):\n\t```\n\tdocker pull libatomsquip\u002Fquip\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\">JARVIS-Tools\u003C\u002Fa>\u003C\u002Fb> (🥈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：.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\u002Fblob\u002Fmaster\u002FLICENSE.rst\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis) (👨‍💻 16 · 🔀 140 · 📋 95 - 52% 开放 · ⏱️ 25.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fjarvis-tools) (📥 110K \u002F 月 · 📦 40 · ⏱️ 21.03.2026):\n\t```\n\tpip install jarvis-tools\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fjarvis-tools) (📥 130K · ⏱️ 02.01.2026):\n\t```\n\tconda install -c conda-forge jarvis-tools\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmaml\">MAML\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmaml) (👨‍💻 39 · 🔀 94 · 📦 17 · 📋 76 - 14% 开放 · ⏱️ 14.02.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmaml\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmaml) (📥 910 \u002F 月 · 📦 3 · ⏱️ 2025年04月02日):\n\t```\n\tpip install maml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat\">Molfeat\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 220 · 💤) - molfeat 是您所有分子特征提取工具的中心。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>化学信息学\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat) (👨‍💻 19 · 🔀 27 · 📦 73 · 📋 61 - 27% 开放 · ⏱️ 2025年05月27日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmolfeat) (📥 6.6K \u002F 月 · 📦 13 · ⏱️ 2025年05月27日):\n\t```\n\tpip install molfeat\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fmolfeat) (📥 42K · ⏱️ 2025年05月30日):\n\t```\n\tconda install -c conda-forge molfeat\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpycroscopy\u002Fatomai\">AtomAI\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 230 · 💤) - 用于显微镜的深度学习和机器学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FComputer_vision\">\u003Ccode>计算机视觉\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FUnsupervised_learning\">\u003Ccode>无监督学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>实验数据\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fpycroscopy\u002Fatomai) (👨‍💻 6 · 🔀 41 · 📦 13 · 📋 20 - 55% 开放 · ⏱️ 2025年06月23日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fpycroscopy\u002Fatomai\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fatomai) (📥 810 \u002F 月 · 📦 1 · ⏱️ 2025年06月23日):\n\t```\n\tpip install atomai\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter\">Scikit-Matter\u003C\u002Fa>\u003C\u002Fb> (🥈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…… \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>scikit-learn\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter) (👨‍💻 20 · 🔀 25 · 📥 19 · 📋 81 - 23% 开放 · ⏱️ 2026年01月19日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fskmatter) (📥 3.1K \u002F 月):\n\t```\n\tpip install skmatter\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fskmatter) (📥 6.3K · ⏱️ 2026年01月08日):\n\t```\n\tconda install -c conda-forge skmatter\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fuw-cmg\u002FMAST-ML\">MAST-ML\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 130) - 材料模拟机器学习工具包 (MAST-ML)。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fuw-cmg\u002FMAST-ML) (👨‍💻 19 · 🔀 61 · 📥 160 · 📋 220 - 14% 开放 · ⏱️ 2025年10月10日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fuw-cmg\u002FMAST-ML\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\">Artificial Intelligence for Science (AIRS)\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 740) - 科学领域的人工智能研究 (AIRS)。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL-3.0%20license\">GPL-3.0 许可证\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-WFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>生物分子\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS) (👨‍💻 36 · 🔀 88 · 📋 32 - 18% 开放 · ⏱️ 2026年03月14日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdralgroup\u002Fmlatom\">MLatom\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 140) - AI 增强的计算化学。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-ESM\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>迁移学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSpectroscopy\">\u003Ccode>光谱学\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdralgroup\u002Fmlatom) (👨‍💻 6 · 🔀 17 · 📋 8 - 37% 开放 · ⏱️ 2026年03月09日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdralgroup\u002Fmlatom\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlatom) (📥 800 \u002F 月 · ⏱️ 2026年03月09日):\n\t```\n\tpip install mlatom\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 12 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fautomatminer\">Automatminer\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 170 · 💀) - 一种用于预测材料性能的自动化引擎。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhackingmaterials\u002Fautomatminer\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAutomated_machine_learning\">\u003Ccode>autoML\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fqmlcode\u002Fqml\">QML\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 210 · 💀) - QML：量子机器学习。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyoshida-lab\u002FXenonPy\">XenonPy\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 150 · 💀) - XenonPy 是一款用于材料信息学的 Python 软件。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Famptorch\">AMPtorch\u003C\u002Fa>\u003C\u002Fb> (🥉11 ·  ⭐ 61 · 💀) - AMPtorch：原子尺度机器学习包（AMP）- PyTorch。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMariewelt\u002FOpenChem\">OpenChem\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 740 · 💀) - OpenChem：面向计算化学和药物设计研究的深度学习工具包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fjaxchem\">JAXChem\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Funcertainty_benchmarking\">uncertainty_benchmarking\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 43 · 💀) - 各种代码\u002F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。\u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>概率性\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Ftorchchem\">torchchem\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 38 · 💀) - 一个用于试验 PyTorch 模型的实验性仓库。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fequisolve\">Equisolve\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhgheiberger\u002Fquantum-structure-ml\">quantum-structure-ml\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>磁性\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEatoms.jl\">ACEatoms\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 2 · 💀) - 使用 ACE 对原子性质进行建模的通用代码。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEatoms.jl\u002Fblob\u002Fmain\u002FASL.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fbitbucket.org\u002Fwolverton\u002Fmagpie\u002F\">Magpie\u003C\u002Fa>\u003C\u002Fb> (🥉3) - 材料无关的信息学与探索平台（Magpie）。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Java\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n\n\n## 生成模型\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_实现原子尺度机器学习生成模型的项目。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\">GT4SD\u003C\u002Fa>\u003C\u002Fb> (🥇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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core) (👨‍💻 20 · 🔀 78 · 📋 110 - 1% 开放 · ⏱️ 18.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgt4sd) (📥 1.1K \u002F 月):\n\t```\n\tpip install gt4sd\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES\">SLICES 和 MatterGPT\u003C\u002Fa>\u003C\u002Fb> (🥈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，.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>结构预测\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES) (👨‍💻 2 · 🔀 58 · 📦 7 · 📋 16 - 18% 开放 · ⏱️ 03.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fslices) (📥 200 \u002F 月):\n\t```\n\tpip install slices\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fxiaohang07\u002Fslices) (📥 740 · ⭐ 1 · ⏱️ 14.10.2025):\n\t```\n\tdocker pull xiaohang07\u002Fslices\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fsynspace\">synspace\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 48 · 💤) - 合成生成模型。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fsynspace) (👨‍💻 2 · 🔀 4 · 📦 36 · 📋 4 - 50% 开放 · ⏱️ 24.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fsynspace\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsynspace) (📥 4.4K \u002F 月 · 📦 4 · ⏱️ 24.04.2025):\n\t```\n\tpip install synspace\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet\">SchNetPack G-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 64) - SchNetPack 的 G-SchNet 扩展。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet) (👨‍💻 3 · 🔀 11 · ⏱️ 13.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRokasEl\u002Fsimgen\">SiMGen\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 29 · 💤) - 基于相似度核的零样本分子生成。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>可视化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRokasEl\u002Fsimgen) (👨‍💻 4 · 🔀 5 · 📦 2 · 📋 5 - 20% 开放 · ⏱️ 27.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRokasEl\u002Fsimgen\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsimgen) (📥 19 \u002F 月):\n\t```\n\tpip install simgen\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 12 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmolecule-generation\">MoLeR\u003C\u002Fa>\u003C\u002Fb> (🥇15 ·  ⭐ 320 · 💀) - MoLeR 的实现：一种支持支架约束生成的分子图生成模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhspark1212\u002FMOFTransformer\">PMTransformer\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 120 · 💀) - 多孔材料中的通用迁移学习，包括 MOF。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>迁移学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fehoogeboom\u002Fe3_diffusion_for_molecules\">EDM\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 560 · 💀) - 用于三维分子生成的 E(3) 等变扩散模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FG-SchNet\">G-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 140 · 💀) - G-SchNet：一种用于三维分子结构的生成模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftsudalab\u002FbVAE-IM\">bVAE-IM\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 14 · 💀) - 基于 GPU 的伊辛机进行化学设计的实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FQuantum_machine_learning\">\u003Ccode>量子机器学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faksub99\u002Fmolecular-vae\">molecular-vae\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>化学信息学\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FcG-SchNet\">cG-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 65 · 💀) - cG-SchNet：一种用于三维分子结构的条件生成神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fterraytherapeutics\u002FCOATI\">COATI\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 120 · 💀) - COATI：用于表征和遍历化学空间的多模态对比度预训练。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>多模态\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftsudalab\u002Frxngenerator\">rxngenerator\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 14 · 💀) - 通过多步化学反应进行分子生成的生成模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftsudalab\u002FMolSLEPA\">MolSLEPA\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Farnoldjulian\u002FMapping-out-phase-diagrams-with-generative-classifiers\">用生成分类器绘制相图\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 8 · 💀) - 我们“用生成模型绘制相图”论文的代码库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhase_transition\">\u003Ccode>相变\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMCobe94\u002Fdescriptors-inversion\">descriptors-inversion\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 6 · 💀) - 化学环境表征的局部反转。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n\n\n## 原子间势能（ML-IAP）\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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）。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip\">NequIP\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 880) - NequIP 是一个用于构建 E(3) 等变原子间势能的代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip) (👨‍💻 39 · 🔀 200 · 📦 45 · 📋 120 - 3% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fnequip) (📥 16万\u002F月 · 📦 17 · ⏱️ 25.03.2026):\n\t```\n\tpip install nequip\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fnequip) (📥 2.1万 · ⏱️ 25.03.2026):\n\t```\n\tconda install -c conda-forge nequip\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DeePMD-kit\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>工作流\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit) (👨‍💻 84 · 🔀 580 · 📥 6.8万 · 📦 46 · 📋 980 - 9% 开放 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepmd-kit) (📥 6.2千\u002F月):\n\t```\n\tpip install deepmd-kit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 3.6千 · ⏱️ 25.03.2025):\n\t```\n\tconda install -c deepmodeling deepmd-kit\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 5.1千 · ⭐ 1 · ⏱️ 27.12.2025):\n\t```\n\tdocker pull deepmodeling\u002Fdeepmd-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem\">fairchem\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 2K · 📉) - FAIR Chemistry 的机器学习化学方法库。前身为 Open Catalyst 项目。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>催化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% 开放 · ⏱️ 25.03.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F 月):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani\">TorchANI\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 540) - TorchANI 2.0 是一个开源库，支持 ANI 风格神经网络的训练、开发和研究。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani) (👨‍💻 22 · 🔀 140 · 📦 72 · 📋 180 - 4% 开放 · ⏱️ 15.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftorchani) (📥 4.8K \u002F 月 · 📦 15 · ⏱️ 17.11.2025):\n\t```\n\tpip install torchani\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Ftorchani) (📥 1.2M · ⏱️ 23.01.2026):\n\t```\n\tconda install -c conda-forge torchani\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatcalc\">MatCalc\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 130) - 一个用于从 PES 计算材料性质的 Python 库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>模型库\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatcalc) (👨‍💻 23 · 🔀 34 · 📦 22 · 📋 37 - 16% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatcalc\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatcalc) (📥 2.4K \u002F 月):\n\t```\n\tpip install matcalc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatrain\">Metatrain\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 62) - 用于原子系统机器学习模型的训练、微调和操作。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatrain) (👨‍💻 31 · 🔀 24 · 📥 73 · 📦 14 · 📋 280 - 27% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Fmetatrain\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmetatrain) (📥 12K \u002F 月):\n\t```\n\tpip install metatrain\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace\">MACE\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace) (👨‍💻 69 · 🔀 390 · 📋 580 - 20% 开放 · ⏱️ 01.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\">TorchMD-NET\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 470) - 神经网络势能的训练。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>分子动力学\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net) (👨‍💻 20 · 🔀 94 · 📥 180 · 📋 120 - 25% 开放 · ⏱️ 17.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Ftorchmd-net) (📥 780K · ⏱️ 18.03.2026):\n\t```\n\tconda install -c conda-forge torchmd-net\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fstfc\u002Fjanus-core\">janus-core\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 44) - 用于机器学习原子间势能的工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>分子动力学\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>传输现象\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fstfc\u002Fjanus-core) (👨‍💻 11 · 🔀 17 · 📥 240 · 📦 15 · 📋 300 - 13% 开放 · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fstfc\u002Fjanus-core\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fjanus-core) (📥 2.9K \u002F 月):\n\t```\n\tpip install janus-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fapax-hub\u002Fapax\">apax\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 36) - 一个灵活且高性能的框架，用于训练机器学习势能。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fapax-hub\u002Fapax) (👨‍💻 11 · 🔀 7 · 📦 7 · 📋 180 - 17% 开放 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fapax-hub\u002Fapax\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fapax) (📥 280 \u002F 月 · 📦 2 · ⏱️ 18.03.2026):\n\t```\n\tpip install apax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff\">KLIFF\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 40) - 基于 KIM 的集成学习拟合框架，用于原子间势能。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>概率\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff) (👨‍💻 14 · 🔀 22 · 📦 4 · 📋 57 - 42% 开放 · ⏱️ 28.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fkliff) (📥 71 \u002F 月 · ⏱️ 11.04.2025):\n\t```\n\tpip install kliff\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fkliff) (📥 210K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge kliff\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fallegro\">Allegro\u003C\u002Fa>\u003C\u002Fb> (🥈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.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fallegro) (👨‍💻 9 · 🔀 73 · 📋 50 - 2% 开放 · ⏱️ 24.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fallegro\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fstefanch\u002FsGDML\">sGDML\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 170 · 💤) - sGDML：对称梯度域机器学习模型的参考实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fstefanch\u002FsGDML) (👨‍💻 8 · 🔀 42 · 📦 13 · 📋 22 - 50% 开放 · ⏱️ 13.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fstefanch\u002FsGDML\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsgdml) (📥 710 \u002F 月 · 📦 2 · ⏱️ 13.06.2025):\n\t```\n\tpip install sgdml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fautoatml\u002Fautoplex\">Autoplex\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 140) - 用于自动拟合机器学习原子间势能的代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fautoatml\u002Fautoplex) (👨‍💻 14 · 🔀 22 · 📦 2 · 📋 140 - 25% open · ⏱️ 09.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fautoatml\u002Fautoplex\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fautoplex) (📥 51 \u002F month · ⏱️ 14.11.2025):\n\t```\n\tpip install autoplex\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvldgroup\u002Fgraph-pes\">Graph-PES\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 120) - 训练并使用基于图的势能面机器学习模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fvldgroup\u002Fgraph-pes) (👨‍💻 5 · 🔀 13 · 📦 3 · 📋 17 - 17% open · ⏱️ 20.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fgraph-pes\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgraph-pes) (📥 3.7K \u002F month · 📦 2 · ⏱️ 20.02.2026):\n\t```\n\tpip install graph-pes\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbasf\u002Fmlipx\">MLIPX - 机器学习原子间势探索\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 98) - MLIPX 是巴斯夫设计用于评估机器学习.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>viz\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbasf\u002Fmlipx) (👨‍💻 5 · 🔀 8 · 📦 6 · 📋 18 - 33% open · ⏱️ 16.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbasf\u002Fmlipx\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlipx) (📥 1.3K \u002F month · ⏱️ 09.06.2025):\n\t```\n\tpip install mlipx\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FNeuralForceField\">神经网络力场\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 290) - 基于 PyTorch 的神经网络力场。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FNeuralForceField) (👨‍💻 45 · 🔀 61 · 📋 23 - 21% open · ⏱️ 10.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FNeuralForceField\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002FNNPOps\">NNPOps\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 100) - 针对神经网络势的高性能操作。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenmm\u002FNNPOps) (👨‍💻 11 · 🔀 18 · 📋 59 - 35% open · ⏱️ 04.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenmm\u002FNNPOps\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fnnpops) (📥 660K · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge nnpops\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fworkflow\">wfl\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fworkflow) (👨‍💻 20 · 🔀 21 · 📦 5 · 📋 170 - 40% open · ⏱️ 22.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fworkflow\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002Fn2p2\">n2p2\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 240 · 💤) - n2p2 - 一个神经网络势包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002Fn2p2) (👨‍💻 13 · 🔀 88 · 📋 150 - 43% open · ⏱️ 17.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FCompPhysVienna\u002Fn2p2\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-jax\">MACE-Jax\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 91) - 在 JAX 中实现等变机器学习原子间势。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-jax) (👨‍💻 5 · 🔀 21 · 📋 10 - 50% open · ⏱️ 10.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-jax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN\">PiNN\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 120) - 一个用于构建原子神经网络的 Python 库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN) (👨‍💻 8 · 🔀 39 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fteoroo\u002Fpinn) (📥 740 · ⏱️ 26.03.2026):\n\t```\n\tdocker pull teoroo\u002Fpinn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\">tinker-hp\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 100) - Tinker-HP：适用于 CPU 和 GPU 的高性能大规模并行 Tinker。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\u002Fblob\u002Fmaster\u002Flicense-Tinker.pdf\">Custom\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp) (👨‍💻 12 · 🔀 26 · 📋 29 - 24% open · ⏱️ 26.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn\">DeepMD-GNN\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 53) - DeePMD-kit 插件，用于各种图神经网络模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn) (👨‍💻 7 · 🔀 8 · 📋 17 - 35% open · ⏱️ 13.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002FALF\">ALF\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002FALF\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flanl\u002FALF) (👨‍💻 8 · 🔀 13 · ⏱️ 21.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flanl\u002Falf\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEfit.jl\">ACEfit\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 8) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEfit.jl) (👨‍💻 10 · 🔀 8 · 📋 60 - 38% open · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEfit.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbigd4\u002FPyNEP\">PyNEP\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 69) - GPUMD 中使用的机器学习势 NEP 的 Python 接口。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbigd4\u002FPyNEP) (👨‍💻 10 · 🔀 17 · 📋 14 - 42% open · ⏱️ 27.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbigd4\u002FPyNEP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fspozdn\u002Fpet\">点边变换器（PET）\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 34 · 💤) - 点边变换器。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fspozdn\u002Fpet) (👨‍💻 9 · 🔀 7 · ⏱️ 18.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fspozdn\u002Fpet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Facesuit.github.io\u002F\">ACE1.jl\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 23 · 💤) - 用于建模原子性质不变量的原子团簇展开。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1.jl\u002Fblob\u002Fmain\u002FASL.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1.jl) (👨‍💻 9 · 🔀 7 · 📋 46 - 47% open · ⏱️ 15.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap\">TurboGAP\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 20) - TurboGAP代码。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap\u002Fblob\u002Fmaster\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap) (👨‍💻 8 · 🔀 13 · 📋 12 - 66% open · ⏱️ 05.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmcaroba\u002Fturbogap\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Flibatoms.github.io\u002F\">GAP\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 46) - 高斯近似势（GAP）。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FGAP\u002Fblob\u002Fmain\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FGAP) (👨‍💻 13 · 🔀 20 · ⏱️ 03.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FGAP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMMunibas\u002FAsparagus\">芦笋\u003C\u002Fa>\u003C\u002Fb> (🥉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:\u002F\u002Fdoi.org\u002F10.48550\u002FarXiv.2407.15175。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>工作流程\u003C\u002Fcode> \u003Ccode>采样\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMMunibas\u002FAsparagus) (👨‍💻 11 · 🔀 6 · ⏱️ 25.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMMunibas\u002FAsparagus\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRowleyGroup\u002FMLXDM\">MLXDM\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 9 · 💤) - 具有严格长程色散处理的神经网络势 https:\u002F\u002Fdoi.org\u002F10.1039\u002FD2DD00150K。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>长程\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRowleyGroup\u002FMLXDM) (👨‍💻 7 · 🔀 2 · ⏱️ 12.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRowleyGroup\u002FMLXDM\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示45个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmegnet\">MEGNet\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 560 · 💀) - 将图神经网络作为分子和晶体的通用机器学习框架。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultifidelity_simulation\">\u003Ccode>多精度仿真\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fuf3\u002Fuf3\">超快速力场（UF3）\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 70 · 💀) - UF3：用于生成超快速原子间势的 Python 库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterSim\u002FPyXtal_FF\">PyXtalFF\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 94 · 💀) - 基于机器学习的原子间势预测。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fcortner.github.io\u002FACEweb\u002Fsoftware\u002F\">Pacemaker\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 110 · 💀) - 用于拟合原子簇展开（ACE）势的 Python 包。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Fpython-ace\u002Fblob\u002Fmaster\u002FLICENSE.md\">自定义许可\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjparkhill\u002FTensorMol\">TensorMol\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 280 · 💀) - TensorFlow + 分子 = TensorMol。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FASE_ANI\">ANI-1\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 230 · 💀) - 具有 Python 接口（ASE）的 ANI-1 神经网络势。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fthorben-frank\u002Fmlff\">So3krates（MLFF）\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 130 · 💀) - 使用 JAX 构建用于机器学习力场的神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSIMPLE-NN\">SIMPLE-NN\u003C\u002Fa>\u003C\u002Fb> (🥈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）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fmaterials-modeling\u002Fcalorine\">calorine\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 15 · 💀) - 用于构建和采样神经进化势模型的 Python 包。 https:\u002F\u002Fdoi.org\u002F10.21105\u002Fjoss.06264。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fmaterials-modeling\u002Fcalorine\u002F-\u002Fblob\u002Fmaster\u002FLICENSE\">自定义许可\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FCCS\">CCS_fit\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 10 · 💀) - 曲率约束样条。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fdimenet\">DimeNet\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fdimenet\u002Fblob\u002Fmaster\u002FLICENSE.md\">自定义许可\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FSchNet\">SchNet\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 290 · 💀) - SchNet 是一种用于量子化学的深度学习架构。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTUM-DAML\u002Fgemnet_pytorch\">GemNet\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTUM-DAML\u002Fgemnet_pytorch\u002Fblob\u002Fmaster\u002FLICENSE\">自定义许可\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE.jl\">ACE.jl\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 67 · 💀) - 颗粒系统等变性质的参数化。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE.jl\u002Fblob\u002Fmain\u002Flicense\u002Fmit.md\">自定义许可\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomicarchitects\u002Fequiformer_v2\">EquiformerV2\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 330 · 💀) - [ICLR 2024] EquiformerV2：改进的等变 Transformer，可扩展到更高阶表示。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002Faimnet\">AIMNet\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 110 · 💀) - 分子中的原子神经网络势。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSIMPLE-NN_v2\">SIMPLE-NN v2\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FAtomistic-Adversarial-Attacks\">原子尺度对抗攻击\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 40 · 💀) - 用于对原子系统使用 NN 势进行对抗攻击的代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>概率性\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fsnap\">SNAP\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 38 · 💀) - 用于光谱邻域分析势（SNAP）模型开发的仓库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002FNNsForMD\">NNsforMD\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHSE-LAMBDA\u002FMEGNetSparse\">MEGNetSparse\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>材料缺陷\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMMunibas\u002FPhysNet\">PhysNet\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 110 · 💀) - 用于训练 PhysNet 模型的代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电学\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FElliottKasoar\u002Faiida-mlip\">aiida-mlip\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 1 · 📉) - 机器学习原子间势的 aiida 插件。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fashapeev\u002Fmlip-3\">MLIP-3\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 27 · 💀) - MLIP-3：基于矩张量势（MTP）的原子环境主动学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3rqEWVr\">BSD-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Ftesting-framework\">测试框架\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 11 · 💀) - 该仓库旨在帮助测试各种类型的大量原子间势。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002FPANNAdevs\u002Fpanna\">PANNA\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLuthaf\u002Falchemical-learning\">炼金术学习\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=defects+and+disorder+in+materials\">\u003Ccode>缺陷与无序\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcometscome\u002FBPNET\">BPNET\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 3 · 💤) - Fortran2008 中的快速 Behler-Parrinello 类型神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACE1pack.jl\">ACE1Pack.jl\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 1 · 💀) - 为使用 ACE1.jl、ACEfit.jl、JuLIP.jl 拟合原子间势提供便利功能。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsirmarcel\u002Fglp\">glp\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 26 · 💀) - 用于 jax 中基于图的机器学习势的工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmariogeiger\u002Fnequip-jax\">NequIP-JAX\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 24 · 💀) - NequIP 原子间势的 JAX 实现。 \u003Ccode>无许可\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fibayashi-hikaru\u002Fallegro-legato\">Allegro-Legato\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 21 · 💀) - Allegro 的扩展版，具有增强的鲁棒性和失效时间。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fcortner.github.io\u002FACEweb\u002Fsoftware\u002F\">TensorPotential\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002FTensorPotential\u002Fblob\u002Fmain\u002FLICENSE.md\">自定义许可\u003C\u002Fa>\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fzaverkin_v\u002Fgmnn\">GN-MM\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>磁性\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatml\">MatML\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 9) - 完整的 MatML Docker 镜像，包括 MatGL、MatCalc、MatPES 和 LAMMPS，配备 ML-GNNP 和 ML-SNAP。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAaltoRSE\u002FPeriodicPotentials\">周期势\u003C\u002Fa>\u003C\u002Fb> (🥉4 · 💀) - 一款根据所选元素显示势的元素周期表应用。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>社区资源\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>可视化\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>JavaScript\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmariogeiger\u002Fallegro-jax\">Allegro-JAX\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 22 · 💤) - Allegro 原子间势的 JAX 实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEworkflows\">ACE 工作流\u003C\u002Fa>\u003C\u002Fb> (🥉3 · 💀) - ACE 模型的工作流示例。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fflame-code\u002FPyFLAME\">PyFLAME\u003C\u002Fa>\u003C\u002Fb> (🥉3 · 💀) - 一种使用 FLAME 自动化开发神经网络原子间势的方法。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>结构预测\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flmj1029123\u002FSingleNN\">SingleNN\u003C\u002Fa>\u003C\u002Fb> (🥈2 ·  ⭐ 9 · 💀) - 一个高效用于训练和执行神经网络原子间势的包。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmttrin93\u002Fmag-ace\">mag-ace\u003C\u002Fa>\u003C\u002Fb> (🥈2 ·  ⭐ 5 · 💤) - 磁性 ACE 势。 LAMMPS SPIN 包的 FORTRAN 接口。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>磁性\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Floilisxka\u002FAisNet\">AisNet\u003C\u002Fa>\u003C\u002Fb> (🥈2 ·  ⭐ 3 · 💀) - 一个编码了局部环境特征的通用原子间势神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.uni-goettingen.de\u002Fde\u002F560580.html\">RuNNer\u003C\u002Fa>\u003C\u002Fb> (🥈2) - RuNNer 神经网络能量表示是一个基于 Fortran 的框架，用于构建 Behler-.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjla-gardner\u002Fnnp-pre-training\">nnp-pre-training\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 6 · 💀) - 神经网络原子间势的合成预训练。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcesmix-mit\u002FMLP\">mlp\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 1 · 💀) - 用于高效准确原子间势的正交描述符... \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 语言模型\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fjablonkagroup\u002FMaCBench-Leaderboard\">MaCBench排行榜\u003C\u002Fa>\u003C\u002Fb>  - 面向化学与材料研究的多模态语言模型排行榜。 \u003Ccode>community-resource\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchembench\">ChemBench\u003C\u002Fa>\u003C\u002Fb> (🥇19 ·  ⭐ 140) - 语言模型在化学领域的表现如何？。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchembench) (👨‍💻 15 · 🔀 16 · 📦 3 · 📋 340 - 16% open · ⏱️ 11.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchembench\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchembench) (📥 1.1K \u002F month):\n\t```\n\tpip install chembench\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Ffuturehouse.gitbook.io\u002Ffuturehouse-cookbook\">paper-qa\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 8.3K) - 用于从文档中回答问题的语言模型链。\u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub]() (🔀 840):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fpaper-qa\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpaper-qa) (📥 28K \u002F month · 📦 24 · ⏱️ 18.03.2026):\n\t```\n\tpip install paper-qa\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FYeonghun1675\u002FChatMOF\">ChatMOF\u003C\u002Fa>\u003C\u002Fb> (🥈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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FYeonghun1675\u002FChatMOF) (👨‍💻 2 · 🔀 21 · 📦 3 · ⏱️ 15.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FYeonghun1675\u002FChatMOF\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchatmof) (📥 350 \u002F month):\n\t```\n\tpip install chatmof\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt\">AtomGPT\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 50 · 💤) - https:\u002F\u002Fatomgpt.org。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt\u002Fblob\u002Fmain\u002FLICENSE.rst\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt) (👨‍💻 7 · 🔀 10 · ⏱️ 21.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomgpt\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fatomgpt) (📥 72 \u002F month · 📦 1 · ⏱️ 22.03.2025):\n\t```\n\tpip install atomgpt\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fllamp\">LLaMP\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRetrieval-augmented_generation\">\u003Ccode>RAG\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fllamp) (👨‍💻 6 · 🔀 14 · 📋 25 - 32% open · ⏱️ 11.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fllamp\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvertaix\u002FLLM-Prop\">LLM-Prop\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 53) - LLM-Prop实现的代码仓库。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fvertaix\u002FLLM-Prop) (👨‍💻 7 · 🔀 11 · 📋 3 - 66% open · ⏱️ 31.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fvertaix\u002FLLM-Prop\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FLLM4Chem\">LLM4Chem\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>datasets\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FLLM4Chem) (👨‍💻 2 · 🔀 18 · ⏱️ 09.06.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FLLM4Chem\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示17个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBioML\u002Fchemnlp\">OpenBioML ChemNLP\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 170 · 💀) - ChemNLP项目。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcs07\u002FChemDataExtractor\">ChemDataExtractor\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 350 · 💀) - 自动从科学文献中提取化学信息。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fchemcrow-public\">ChemCrow\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 890 · 💀) - 用于准确解决推理密集型化学任务的开源工具包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsintelligence\u002Fmat2vec\">mat2vec\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkjappelbaum\u002Fgptchem\">gptchem\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 260 · 💀) - 使用GPT-3解决化学问题。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fnlcc\">nlcc\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 46 · 💀) - 自然语言计算化学命令行界面。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fchemnlp\">NIST ChemNLP\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 28 · 🐣) - chemnlp。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FIBM\u002Fmolformer\">MoLFormer\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 390 · 💀) - MolFormer的代码库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmolskill\">MolSkill\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 120 · 💀) - 通过偏好机器学习提取药物化学直觉。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FRecommender_system\">\u003Ccode>recommender\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamalab-org\u002Fchemlift\">chemlift\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 45 · 💀) - 面向化学的语言接口微调。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCFN-softbio\u002FSciBot\">SciBot\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 31 · 💀) - SciBot是构建科学领域专用聊天机器人的简单演示。 \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FStefanoSanvitoGroup\u002FBERT-PSIE-TC\">BERT-PSIE-TC\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 15 · 💀) - 利用BERT-PSIE从科学文献中自动提取居里温度的数据集。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>magnetism\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Fcrystal-text-llm\">crystal-text-llm\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 120 · 💀) - 用于生成稳定晶体的大语言模型。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-4.0\">CC-BY-NC-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamm-mit\u002FCephalo\">Cephalo\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>multimodal\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaykcaldas\u002FMAPI_LLM\">MAPI_LLM\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 9 · 💀) - 在LLM March MADNESS黑客马拉松期间开发的LLM应用 https:\u002F\u002Fdoi.org\u002F10.1039\u002FD3DD00113J。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>dataset\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhoon-ock\u002FCatBERTa\">CatBERTa\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 28 · 💀) - 用于催化剂性能预测的大语言模型。 \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FShuHuang\u002Fchemdatawriter\">ChemDataWriter\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 材料发现\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_利用原子尺度机器学习实现材料发现方法的项目。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT\">SMACT\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 130) - 用于辅助材料设计与信息学的 Python 软件包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>结构预测\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电学\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT) (👨‍💻 48 · 🔀 29 · 📦 72 · ⏱️ 05.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsmact) (📥 8.5K \u002F 月):\n\t```\n\tpip install smact\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fsmact) (📥 9.8K · ⏱️ 31.07.2025):\n\t```\n\tconda install -c conda-forge smact\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattergen\">MatterGen\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成式\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>结构预测\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattergen) (👨‍💻 13 · 🔀 300 · 📋 140 - 4% 开放 · ⏱️ 27.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattergen\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\">材料发现：GNoME\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>数据集\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProprietary_software\">\u003Ccode>专有\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery) (👨‍💻 2 · 🔀 180 · 📋 25 - 84% 开放 · ⏱️ 03.03.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fcest-group\u002Fboss\">BOSS\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 27) - 贝叶斯优化结构搜索（BOSS）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>概率论\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Faalto-boss) (📥 690 \u002F 月 · ⏱️ 28.11.2025):\n\t```\n\tpip install aalto-boss\n\t```\n- [GitLab](https:\u002F\u002Fgitlab.com\u002Fcest-group\u002Fboss) (🔀 14 · 📋 39 - 17% 开放 · ⏱️ 28.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgitlab.com\u002Fcest-group\u002Fboss\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCompRhys\u002Faviary\">aviary\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 61) - 鹪鹩栖息于鸟舍中的栖木上。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FCompRhys\u002Faviary) (👨‍💻 6 · 🔀 13 · 📦 1 · ⏱️ 06.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FCompRhys\u002Faviary\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fagox.gitlab.io\u002Fagox\u002F\">AGOX\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 18 · 📈) - AGOX 是一个用于原子体系全局优化的软件包，例如使用密度泛函理论计算的能量。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fagox) (📥 82 \u002F 月 · 📦 3 · ⏱️ 04.02.2026):\n\t```\n\tpip install agox\n\t```\n- [GitLab](https:\u002F\u002Fgitlab.com\u002Fagox\u002Fagox) (🔀 8 · 📋 28 - 32% 开放 · ⏱️ 04.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgitlab.com\u002Fagox\u002Fagox\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 7 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002FCAMD\">材料发现的计算自主性（CAMD）\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 1 · 💀) - 基于智能体的顺序学习软件，用于材料发现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMinoru938\u002FCSPML\">CSPML（基于机器学习的元素替代进行晶体结构预测）\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 29 · 💀) - CSPML 的原始实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>结构预测\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fbigd4\u002Fmagus\">MAGUS\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 99 · 💀) - 机器学习与图论辅助的通用结构搜索工具。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>结构预测\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSPINNER\">SPINNER\u003C\u002Fa>\u003C\u002Fb> (🥉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）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>结构预测\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftakahashi-akira-36m\u002Fml_atomate\">ML-atomate\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 7 · 💀) - 机器学习辅助的 Atomate 代码，用于自主计算材料筛选。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>工作流\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faced-differentiate\u002Fclosed-loop-acceleration-benchmarks\">闭环加速基准测试\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCitrineInformatics-ERD-public\u002Fsl_discovery\">sl_discovery\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 数学工具\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_实现原子尺度机器学习中所用数学对象的项目。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance\">cuEquivariance\u003C\u002Fa>\u003C\u002Fb> (🥇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…… \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance) (👨‍💻 7 · 🔀 27 · 📋 75 - 17% 开放 · ⏱️ 16.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcuequivariance) (📥 10万 \u002F 月):\n\t```\n\tpip install cuequivariance\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fcuequivariance) (📥 2万 · ⏱️ 16.03.2026):\n\t```\n\tconda install -c conda-forge cuequivariance\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fkfac-jax\">KFAC-JAX\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 320) - 在 JAX 中使用 K-FAC 进行二阶优化和曲率估计。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fkfac-jax) (👨‍💻 20 · 🔀 27 · 📦 11 · 📋 24 - 54% 开放 · ⏱️ 16.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fkfac-jax\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fkfac-jax) (📥 1.2千 \u002F 月):\n\t```\n\tpip install kfac-jax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart\">SpheriCart\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 95) - 用于在笛卡尔坐标系中计算球谐函数的多语言库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart) (👨‍💻 13 · 🔀 16 · 📥 950 · 📦 10 · 📋 44 - 31% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsphericart) (📥 4.7万 \u002F 月):\n\t```\n\tpip install sphericart\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax\">gpax\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 230 · 💤) - 用于实验科学的高斯过程。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>概率论\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax) (👨‍💻 6 · 🔀 29 · 📦 6 · 📋 43 - 23% 开放 · ⏱️ 04.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fgpax) (📥 250 \u002F 月 · ⏱️ 04.07.2025):\n\t```\n\tpip install gpax\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FPASSIONLab\u002FOpenEquivariance\">OpenEquivariance\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FPASSIONLab\u002FOpenEquivariance) (👨‍💻 4 · 🔀 9 · 📦 2 · 📋 33 - 3% 开放 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FPASSIONLab\u002FOpenEquivariance\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FPolynomials4ML.jl\">Polynomials4ML.jl\u003C\u002Fa>\u003C\u002Fb> (🥉11 ·  ⭐ 14) - 用于机器学习的多项式：快速求值、批处理、求导。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002FPolynomials4ML.jl) (👨‍💻 12 · 🔀 7 · 📋 61 - 14% 开放 · ⏱️ 29.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002FPolynomials4ML.jl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib\">GElib\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 26) - 用于 SO(3) 等变运算的 C++\u002FCUDA 库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib) (👨‍💻 6 · 🔀 3 · 📋 8 - 50% 开放 · ⏱️ 21.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 6 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flie-nn\u002Flie-nn\">lie-nn\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 36 · 💀) - 用于在约化李群上构建等变多项式的工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FYWolfeee\u002Flapjax\">LapJAX\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faced-differentiate\u002FEquivariantOperators.jl\">EquivariantOperators.jl\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 18 · 💀) - 该软件包已弃用。其功能正在迁移到 Porcupine.jl。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Ftoolbox\">COSMO Toolbox\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 8 · 💀) - 用于原子模拟分析的各种库和实用工具。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002Fcnine\">cnine\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 5) - cnine 张量库。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fwigner_kernels\">Wigner Kernels\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 2 · 💀) - 用于基准测试 Wigner 核的程序集合。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 分子动力学\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_简化分子动力学与原子尺度机器学习集成的项目。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjax-md\u002Fjax-md\">JAX-MD\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 1.4K) - 可微分、硬件加速的分子动力学。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjax-md\u002Fjax-md) (👨‍💻 44 · 🔀 230 · 📦 82 · 📋 190 - 29% 开放 · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjax-md\u002Fjax-md\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fjax-md) (📥 1.2万 \u002F 月 · 📦 18 · ⏱️ 22.03.2026):\n\t```\n\tpip install jax-md\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTorchSim\u002Ftorch-sim\">TorchSim\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 440) - 原生 Torch、可批量处理的原子级模拟。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FTorchSim\u002Ftorch-sim) (👨‍💻 32 · 🔀 85 · 📋 160 - 14% 开放 · ⏱️ 25.03.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002FRadical-AI\u002Ftorch-sim\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ftorch-sim-atomistic) (📥 14万\u002F月):\n\t```\n\tpip install torch-sim-atomistic\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD\">GPUMD\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电相互作用\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD) (👨‍💻 57 · 🔀 170 · 📋 260 - 4% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar\">mlcolvar\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 140) - 用于增强采样的机器学习集体变量统一框架。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>采样\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar) (👨‍💻 14 · 🔀 32 · 📦 11 · 📋 110 - 11% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmlcolvar) (📥 620\u002F月):\n\t```\n\tpip install mlcolvar\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP\">FitSNAP\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 180) - 用于为LAMMPS生成机器学习原子间势能的软件。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP) (👨‍💻 24 · 🔀 65 · 📥 15 · 📋 84 - 25% 开放 · ⏱️ 17.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Ffitsnap3) (📥 1.6万 · ⏱️ 22.04.2025):\n\t```\n\tconda install -c conda-forge fitsnap3\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-ml\">OpenMM-ML\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 150) - 在OpenMM模拟中使用机器学习模型的高级API。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-ml) (👨‍💻 8 · 🔀 33 · 📦 2 · 📋 70 - 31% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-ml\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fopenmm-ml) (📥 4万 · ⏱️ 25.03.2026):\n\t```\n\tconda install -c conda-forge openmm-ml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmolmod\u002Fpsiflow\">Psiflow\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 140) - 可扩展的分子模拟工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>采样\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmolmod\u002Fpsiflow) (👨‍💻 5 · 🔀 16 · 📋 59 - 22% 开放 · ⏱️ 12.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmolmod\u002Fpsiflow\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip_allegro\">pair_allegro\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 61) - 用于NequIP和Allegro深度学习原子间势能的LAMMPS对势样式。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip_allegro) (👨‍💻 6 · 🔀 10 · 📋 48 - 18% 开放 · ⏱️ 10.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_allegro\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDMFF\">DMFF\u003C\u002Fa>\u003C\u002Fb> (🥉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.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDMFF) (👨‍💻 17 · 🔀 47 · 📋 33 - 39% 开放 · ⏱️ 06.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDMFF\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip\">pair_nequip\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 44 · 💤) - 用于NequIP的LAMMPS对势样式。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip) (👨‍💻 3 · 🔀 14 · 📋 33 - 39% 开放 · ⏱️ 25.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace\">PACE\u003C\u002Fa>\u003C\u002Fb> (🥉10 ·  ⭐ 31) - LAMMPS的ML-IAP `pair_style pace`，又称原子团扩张(ACE)，也叫ML-PACE，.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace) (👨‍💻 8 · 🔀 16 · 📋 11 - 45% 开放 · ⏱️ 03.12.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FICAMS\u002Flammps-user-pace\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fmuse\">MUSE\u003C\u002Fa>\u003C\u002Fb> (🥉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.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=defects+and+disorder+in+materials\">\u003Ccode>缺陷与无序\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fmuse) (👨‍💻 2 · 📦 1 · ⏱️ 15.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fchiang-yuan\u002Fmuse\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示3个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-torch\">openmm-torch\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 220 · 💀) - OpenMM插件，用于用神经网络定义力。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-torch#license\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Finitqp\u002Fsomd\">SOMD\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 17) - 专为SIESTA DFT代码设计的分子动力学软件包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3pwmjO5\">AGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fivannovikov\u002Finterface-lammps-mlip-3\">interface-lammps-mlip-3\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 5 · 💀) - LAMMPS与MLIP（第3版）之间的接口。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 概率机器学习\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fthermo\">thermo\u003C\u002Fa>\u003C\u002Fb> (🥇5 ·  ⭐ 17) - 数据驱动的风险意识热电材料发现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>实验数据\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>输运现象\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fthermo) (👨‍💻 2 · 🔀 4 · ⏱️ 12.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fthermo\n\t```\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 强化学习\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_专注于原子尺度机器学习中强化学习的项目。_\n\n\u003Cdetails>\u003Csummary>显示 2 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fisayev\u002FReLeaSE\">ReLeaSE\u003C\u002Fa>\u003C\u002Fb> (🥇11 ·  ⭐ 370 · 💀) - 用于从头药物设计的深度强化学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fulissigroup\u002Fcatgym\">CatGym\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 13 · 💀) - 使用深度强化学习研究表面偏析现象。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL\">GPL\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 表征工程\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk\">cdk\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 580) - 化学开发工具包。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>化学信息学\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Java\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk) (👨‍💻 170 · 🔀 170 · 📥 75K · 📋 330 - 1% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk\n\t```\n- [Maven](https:\u002F\u002Fsearch.maven.org\u002Fartifact\u002Forg.openscience.cdk\u002Fcdk-bundle):\n\t```\n\t\u003Cdependency>\n\t\t\u003CgroupId>org.openscience.cdk\u003C\u002FgroupId>\n\t\t\u003CartifactId>cdk-bundle\u003C\u002FartifactId>\n\t\t\u003Cversion>[VERSION]\u003C\u002Fversion>\n\t\u003C\u002Fdependency>\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe\">DScribe\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe) (👨‍💻 18 · 🔀 95 · 📦 290 · 📋 110 - 12% 开放 · ⏱️ 27.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdscribe) (📥 180K \u002F 月):\n\t```\n\tpip install dscribe\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdscribe) (📥 270K · ⏱️ 10.12.2025):\n\t```\n\tconda install -c conda-forge dscribe\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhachmannlab\u002Fchemml\">ChemML\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>化学信息学\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>工作流\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fhachmannlab\u002Fchemml) (👨‍💻 17 · 🔀 33 · 📥 14 · 📦 8 · 📋 11 - 45% 开放 · ⏱️ 20.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fhachmannlab\u002Fchemml\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchemml) (📥 170 \u002F 月):\n\t```\n\tpip install chemml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FPhasesResearchLab\u002FpySIPFENN\">pySIPFENN\u003C\u002Fa>\u003C\u002Fb> (🥇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…… \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>材料缺陷\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=defects+and+disorder+in+materials\">\u003Ccode>缺陷与无序\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>迁移学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FPhasesResearchLab\u002FpySIPFENN) (👨‍💻 5 · 🔀 5 · 📥 120 · 📦 7 · 📋 8 - 62% 开放 · ⏱️ 20.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FPhasesResearchLab\u002FpySIPFENN\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpysipfenn) (📥 110 \u002F 月):\n\t```\n\tpip install pysipfenn\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fpysipfenn) (📥 22K · ⏱️ 20.01.2026):\n\t```\n\tconda install -c conda-forge pysipfenn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet\">MODNet\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 110 · 💤) - MODNet：一种用于机器学习材料性能的框架。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>小数据\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>迁移学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet) (👨‍💻 11 · 🔀 34 · 📦 11 · 📋 53 - 39% 开放 · ⏱️ 02.05.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic\">Featomic\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 79) - 用于原子尺度机器学习的表征计算。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Rust\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic) (👨‍💻 19 · 🔀 18 · 📥 840 · 📋 83 - 45% 开放 · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrcassar\u002Fglasspy\">GlassPy\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 38) - 专为从事玻璃材料研究的科学家设计的 Python 模块。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdrcassar\u002Fglasspy) (👨‍💻 2 · 🔀 8 · 📦 7 · 📋 15 - 40% 开放 · ⏱️ 17.03.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdrcassar\u002Fglasspy\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fglasspy) (📥 700 \u002F 月):\n\t```\n\tpip install glasspy\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frouyang2017\u002FSISSO\">SISSO\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Frouyang2017\u002FSISSO) (👨‍💻 3 · 🔀 93 · 📋 78 - 23% 开放 · ⏱️ 26.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Frouyang2017\u002FSISSO\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FPDynA\">PDynA\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 51) - 用于分析钙钛矿结构动力学的 Python 包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FWMD-group\u002FPDynA) (👨‍💻 4 · 🔀 5 · 📦 2 · ⏱️ 14.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FWMD-group\u002FPDynA\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpdyna) (📥 13 \u002F 月 · ⏱️ 23.09.2024):\n\t```\n\tpip install pdyna\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml\">BenchML\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 15) - 机器学习基准测试与流水线框架。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml) (👨‍💻 9 · 🔀 6 · 📋 13 - 23% 开放 · ⏱️ 28.10.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fbenchml) (📥 43 \u002F 月 · ⏱️ 14.07.2022):\n\t```\n\tpip install benchml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNU-CUCIS\u002FElemNet\">ElemNet\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FNU-CUCIS\u002FElemNet) (👨‍💻 4 · 🔀 35 · 📋 6 - 33% 开放 · ⏱️ 13.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FNU-CUCIS\u002FElemNet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fmolpipx\">MOLPIPx\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 50) - JAX 和 Rust 中置换不变多项式 (PIP) 模型的可微分版本。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode> \u003Ccode>Rust\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fmolpipx) (👨‍💻 11 · 🔀 1 · ⏱️ 22.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FChemAI-Lab\u002Fmolpipx\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo\">soap_turbo\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 8) - soap_turbo 包含一系列库，可与 QUIP\u002FGAP 和 TurboGAP 配合使用。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo\u002Fblob\u002Fmaster\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Fortran\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo) (👨‍💻 4 · 🔀 8 · 📋 8 - 62% 开放 · ⏱️ 22.01.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FlibAtoms\u002Fsoap_turbo\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRutgers-ZRG\u002Flibfp\">fplib\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 8) - fplib 是一个用于计算晶体指纹并衡量材料相似性的库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C语言\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FRutgers-ZRG\u002Flibfp) (👨‍💻 2 · 🔀 1 · 📦 2 · ⏱️ 22.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fzhuligs\u002Ffplib\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示 17 个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSUNCAT-Center\u002FCatLearn\">CatLearn\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 120 · 💀) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSurface_science\">\u003Ccode>surface-science\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FElementEmbeddings\">ElementEmbeddings\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 51 · 💀) - Python 包，用于处理化学元素的高维表示。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExplainable_artificial_intelligence\">\u003Ccode>XAI\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FUnsupervised_learning\">\u003Ccode>USL\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVisualization\">\u003Ccode>viz\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Flibrascal\">Librascal\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKaaiian\u002FCBFV\">CBFV\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 30 · 💀) - 一种快速创建基于成分的特征向量的工具。 \u003Ccode>未授权\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsirmarcel\u002Fcmlkit\">cmlkit\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 33 · 💀) - 用于凝聚态物理和量子化学中机器学习的工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flantunes\u002Fskipatom\">SkipAtom\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 28 · 💀) - 受 Skip-gram 模型启发的原子分布式表示。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmuhrin\u002Fmilad\">milad\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 34 · 💀) - 瞬间不变量局部原子描述符。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成式\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fnice\">NICE\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.com\u002Fsissopp_developers\u002Fsissopp\">SISSO++\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 6 · 💀) - SISSO 的 C++ 实现，并带有 Python 绑定。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdilkins\u002FTENSOAP\">SA-GPR\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 23 · 💀) - 对称适应性高斯过程回归（SA-GPR）的公开仓库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C语言\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fsoapxx\">SOAPxx\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 7 · 💀) - 一个 SOAP 实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fceriottm\u002Flode\">pyLODE\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 3 · 💀) - LOng Distance Equivariants 的 Python 实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电学\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fbitbucket.org\u002Fandrewpeterson\u002Famp\u002F\">AMP\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>未授权\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcnislab\u002FMXenes4HER\">MXenes4HER\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 7 · 💀) - 预测 4500 种 MXene 材料的析氢反应（HER）活性 https:\u002F\u002Fdoi.org\u002F10.1039\u002FD3TA00344B。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>催化\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>scikit-learn\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmm-tud\u002Fautoml-materials\">automl-materials\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 5 · 💀) - 材料设计中小型表格数据回归任务的自动机器学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAutomated_machine_learning\">\u003Ccode>autoML\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdppant\u002Fmagnetism-prediction\">magnetism-prediction\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>磁性\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmsg-byu\u002FML-for-CurieTemp-Predictions\">ML-for-CurieTemp-Predictions\u003C\u002Fa>\u003C\u002Fb> (🥉3 ·  ⭐ 2 · 💀) - 高居里温度材料的机器学习预测。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ccode>磁性\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n\n\n## 表征学习\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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）。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl\">深度图库（DGL）\u003C\u002Fa>\u003C\u002Fb> (🥇36 ·  ⭐ 14K · 💤) - 一个基于现有深度学习框架构建的 Python 库，旨在简化图上的深度学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl) (👨‍💻 300 · 🔀 3K · 📦 4.2K · 📋 3K - 20% 开放 · ⏱️ 31.07.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdgl) (📥 120K \u002F 月 · 📦 150 · ⏱️ 13.05.2024):\n\t```\n\tpip install dgl\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fdglteam\u002Fdgl) (📥 470K · ⏱️ 25.03.2025):\n\t```\n\tconda install -c dglteam dgl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpyg-team\u002Fpytorch_geometric\u002Ftree\u002Fmaster\u002Ftorch_geometric\u002Fnn\u002Fmodels\">PyG 模型\u003C\u002Fa>\u003C\u002Fb> (🥇35 ·  ⭐ 24K · 📈) - 在 PyTorch Geometric 中实现的表征学习模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>通用机器学习\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fpyg-team\u002Fpytorch_geometric) (👨‍💻 560 · 🔀 4K · 📦 11K · 📋 4K - 31% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fpyg-team\u002Fpytorch_geometric\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn\">e3nn\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn) (👨‍💻 38 · 🔀 180 · 📦 600 · 📋 180 - 17% 开放 · ⏱️ 13.02.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fe3nn) (📥 45万\u002F月 · 📦 74 · ⏱️ 2026年2月13日):\n\t```\n\tpip install e3nn\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fe3nn) (📥 6.4万 · ⏱️ 2026年2月14日):\n\t```\n\tconda install -c conda-forge e3nn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack\">SchNetPack\u003C\u002Fa>\u003C\u002Fb> (🥇第28名 ·  ⭐ 910 · 📈) - SchNetPack：用于原子体系的深度神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack) (👨‍💻 43 · 🔀 250 · 📦 110 · 📋 280 - 1% 开放 · ⏱️ 2026年3月17日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fschnetpack) (📥 8.4万\u002F月 · 📦 4 · ⏱️ 2025年12月19日):\n\t```\n\tpip install schnetpack\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatgl\">MatGL（材料图库）\u003C\u002Fa>\u003C\u002Fb> (🥇第28名 ·  ⭐ 530) - 面向材料的图深度学习库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultifidelity_simulation\">\u003Ccode>多精度\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fmatgl) (👨‍💻 25 · 🔀 110 · 📦 93 · 📋 150 - 1% 开放 · ⏱️ 2026年3月24日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatgl\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmatgl) (📥 2.8万\u002F月):\n\t```\n\tpip install matgl\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fmaterialsvirtuallab\u002Fmatgl) (📥 260 · ⭐ 1 · ⏱️ 2025年4月8日):\n\t```\n\tdocker pull materialsvirtuallab\u002Fmatgl\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn\">ALIGNN\u003C\u002Fa>\u003C\u002Fb> (🥈第19名 ·  ⭐ 310 · 💤) - 原子线图神经网络 https:\u002F\u002Fscholar.google.com\u002Fcitations?user=9Q-tNnwAAAAJ.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn\u002Fblob\u002Fmain\u002FLICENSE.rst\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn) (👨‍💻 8 · 🔀 110 · 📦 24 · 📋 87 - 67% 开放 · ⏱️ 2025年8月25日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Falignn\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Falignn) (📥 1.1万\u002F月 · 📦 11 · ⏱️ 2025年4月2日):\n\t```\n\tpip install alignn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FUni-Mol\">Uni-Mol\u003C\u002Fa>\u003C\u002Fb> (🥈第17名 ·  ⭐ 1.1千 · 💤) - Uni-Mol系列方法的官方仓库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FUni-Mol) (👨‍💻 20 · 🔀 170 · 📥 2.3万 · 📋 230 - 48% 开放 · ⏱️ 2025年5月29日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FUni-Mol\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FORNL\u002FHydraGNN\">HydraGNN\u003C\u002Fa>\u003C\u002Fb> (🥈第16名 ·  ⭐ 100) - 多头图卷积神经网络的分布式PyTorch实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FORNL\u002FHydraGNN) (👨‍💻 18 · 🔀 38 · 📦 3 · 📋 56 - 30% 开放 · ⏱️ 2026年3月25日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FORNL\u002FHydraGNN\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\">hippynn\u003C\u002Fa>\u003C\u002Fb> (🥈第13名 ·  ⭐ 94) - 用于原子机器学习的Python库。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\u002Fblob\u002Fmain\u002FLICENSE.txt\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn) (👨‍💻 20 · 🔀 34 · 📦 4 · 📋 41 - 34% 开放 · ⏱️ 2026年3月4日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002FCrabNet\">基于成分限制的注意力网络（CrabNet）\u003C\u002Fa>\u003C\u002Fb> (🥈第13名 ·  ⭐ 17 · 💤) - 仅使用成分信息预测材料性能！ \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002FCrabNet) (👨‍💻 6 · 🔀 6 · 📦 16 · 📋 19 - 84% 开放 · ⏱️ 2025年6月4日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002FCrabNet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcrabnet) (📥 450\u002F月):\n\t```\n\tpip install crabnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fuvvisml\">UVVisML\u003C\u002Fa>\u003C\u002Fb> (🥉第8名 ·  ⭐ 35 · 💤) - 使用机器学习预测分子的光学性质。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOptical_properties\">\u003Ccode>光学性质\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ccode>概率模型\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fuvvisml) (👨‍💻 1 · 🔀 10 · 📋 2 - 50% 开放 · ⏱️ 2025年7月30日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fuvvisml\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalframer\">Crystalframer\u003C\u002Fa>\u003C\u002Fb> (🥉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.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalframer) (👨‍💻 3 · 🔀 3 · 📥 11 · ⏱️ 2025年10月16日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalframer\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusccolumbia\u002FdeeperGATGNN\">DeeperGATGNN\u003C\u002Fa>\u003C\u002Fb> (🥉第7名 ·  ⭐ 63) - 用于材料性能预测的可扩展图神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusccolumbia\u002FdeeperGATGNN) (👨‍💻 3 · 🔀 8 · ⏱️ 2026年2月2日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusccolumbia\u002FdeeperGATGNN\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalformer\">Crystalformer\u003C\u002Fa>\u003C\u002Fb> (🥉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.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalformer) (🔀 3 · 📋 4 - 25% 开放 · ⏱️ 2025年3月8日):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fomron-sinicx\u002Fcrystalformer\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示49个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-lifesci\">dgl-lifesci\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 800 · 💀) - 化学和生物学中用于图神经网络的 Python 包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn-jax\">e3nn-jax\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 230 · 💀) - 用于 E3 等变神经网络的 JAX 库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples#graph-neural-networks\">NVIDIA 深度学习示例（面向 Tensor Core）\u003C\u002Fa>\u003C\u002Fb> (🥈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…… \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples\u002Fblob\u002Fmaster\u002FDGLPyTorch\u002FDrugDiscovery\u002FSE3Transformer\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>教育性\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>药物发现\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FDIG\">DIG: Dive into Graphs\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 2K · 💀) - 用于图深度学习研究的库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fgcnn_keras\">kgcnn\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 120 · 💀) - 在 Keras 中使用 TensorFlow、PyTorch 或 Jax 进行图卷积。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\">Graphormer\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 2.4K · 💀) - Graphormer 是一种用于分子建模的通用深度学习骨干网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQUVA-Lab\u002Fescnn\">escnn\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 510 · 💀) - PyTorch 的等变可导向 CNN 库 https:\u002F\u002Fquva-lab.github.io\u002Fescnn\u002F。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQUVA-Lab\u002Fescnn\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgraphdeeplearning\u002Fbenchmarking-gnns\">benchmarking-gnns\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 2.7K · 💀) - 图神经网络基准测试仓库（JMLR 2023）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftxie-93\u002Fcgcnn\">晶体图卷积神经网络 (CGCNN)\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 840 · 💀) - 用于预测材料性能的晶体图卷积神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002Fxtal2png\">xtal2png\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 39 · 💀) - 将晶体结构编码\u002F解码为灰度 PNG 图像，以便直接用于基于图像的机器学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FComputer_vision\">\u003Ccode>计算机视觉\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNatLabRockies\u002Fnfp\">神经指纹 (nfp)\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 62 · 💀) - 用于与 rdkit 和 pymatgen 配合进行端到端学习的 Keras 层。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNREL\u002Fnfp\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvict0rsch\u002Ffaenet\">FAENet\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 34 · 💀) - 用于材料建模的帧平均等变 GNN。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsnap-stanford\u002Fpretrain-gnns\">pretrained-gnns\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 1.1K · 💀) - 图神经网络预训练策略。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fgdc\">GDC\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 280 · 💀) - 图扩散卷积，如“扩散改进图学习”（NeurIPS 2019）中所提出。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成式\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fidocx\u002FAtom2Vec\">Atom2Vec\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 37 · 💀) - Atom2Vec：一种简单的方法来描述原子以便于机器学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFabianFuchsML\u002Fse3-transformer-public\">SE(3)-Transformer\u003C\u002Fa>\u003C\u002Fb> (🥈9 ·  ⭐ 580 · 💀) - SE3 Transformer 论文代码：https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.10503。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsuperlouis\u002FGATGNN\">GATGNN：全局注意力图神经网络\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHSE-LAMBDA\u002Fai4material_design\">ai4material_design\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCrystallographic_defect\">\u003Ccode>材料缺陷\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmasashitsubaki\u002FmolecularGNN_smiles\">molecularGNN_smiles\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 340 · 💀) - 基于学习 r 半径表示的分子图神经网络 (GNN) 代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomicarchitects\u002Fequiformer\">Equiformer\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 280 · 💀) - [ICLR 2023 Spotlight] Equiformer：用于 3D 原子图的等变图注意力 Transformer。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fllnl\u002Fgraphite\">graphite\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 110 · 💀) - 基于原子结构实现图网络模型的仓库。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnguyen-group\u002FGNNOpt\">GNNOpt\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOptical_properties\">\u003Ccode>光学性质\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHongyu-yu\u002FT-e3nn\">T-e3nn\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 19 · 💀) - 基于 e3nn 的时间反演欧几里得神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>磁性\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftensorfieldnetworks\u002Ftensorfieldnetworks\">tensorfieldnetworks\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 160 · 💀) - 适用于 3D 点云的旋转和平移等变神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchao1224\u002FGeom3D\">Geom3D\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 130 · 💀) - Geom3D：3D 结构上的几何建模，NeurIPS 2023。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamm-mit\u002FGraph-Aware-Transformers\">Graph-Aware-Transformers\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 69 · 💀) - 变压器中的自适应动力学的图感知注意力。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>变压器\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>图数据\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002Fcormorant\">Cormorant\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 60 · 💀) - Cormorant 神经网络的代码库。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002Fcormorant\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpen-Catalyst-Project\u002FAdsorbML\">AdsorbML\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 44 · 💀) - \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSurface_science\">\u003Ccode>表面科学\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Femilemathieu\u002Fescnn_jax\">escnn_jax\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 32 · 💀) - Pytorch 的等变可导向 CNN 库 https:\u002F\u002Fquva-lab.github.io\u002Fescnn\u002F。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Femilemathieu\u002Fescnn_jax\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fhyllios\u002FCGAT\">CGAT\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 31 · 💀) - 用于材料预测的晶体图注意力神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FIntelLabs\u002Fmatsciml\">matsciml\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpfnet-research\u002Fcharge_transfer_nnp\">charge_transfer_nnp\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 37 · 💀) - 具有电荷转移的图神经网络势能。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电学\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Ffield_schnet\">FieldSchNet\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 24 · 💀) - 用于外部场中分子的深度神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FGLAMOUR\">GLAMOUR\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 24 · 💀) - 对大分子表示的图学习。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002FML4pXRDs\">ML4pXRDs\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FX-ray_crystallography\">\u003Ccode>XRD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002FAutobahn\">Autobahn\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 30 · 💀) - Autobahn 仓库：基于自同构的图神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flantunes\u002FCraTENet\">CraTENet\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 17 · 💀) - 一种基于注意力的深度神经网络，用于热电传输特性。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>传输现象\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fandy90\u002FSCFNN\">SCFNN\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 15 · 💀) - 神经网络势能中长程静电的自洽确定。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电学\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsirmarcel\u002Fgkx\">gkx：JAX 中的格林-库博方法\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 8 · 💀) - 格林-库博 + JAX + MLP = 快速计算非谐振热导率。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>传输现象\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fper-site_painn\">Per-site PAiNN\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 2 · 💀) - PerovskiteOrderingGCNNs 的 PAiNN 分支。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>概率论\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fper-site_cgcnn\">Per-Site CGCNN\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 1 · 💀) - 用于预测材料性能的晶体图卷积神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fgtn\">图运输网络\u003C\u002Fa>\u003C\u002Fb> (🥉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…… \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgasteigerjo\u002Fgtn\u002Fblob\u002Fmain\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>运输现象\u003C\u002Fcode>\u003C\u002Fa\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FM3RG-IITD\u002FMDBENCHGNN\">EGraFFBench\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 11 · 💀) - \u003Ccode>无许可\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002Fatom_by_atom\">atom_by_atom\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>无许可\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSurface_science\">\u003Ccode>表面科学\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjeherr\u002Felement-encoder\">元素编码器\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>单篇论文\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fzenodo.org\u002Frecord\u002F7967079\">点边变换器\u003C\u002Fa>\u003C\u002Fb> (🥈2) - 用于点云深度学习的平滑、精确的旋转对称化。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002FSphericalNet\">SphericalNet\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 3 · 💀) - GElib 和 cnine 库对克莱布什-戈尔丹网络 (CGnet：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.09231.pdf) 的实现…… \u003Ccode>无许可\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 通用势能函数\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.24433\u002FCO.0749085.v1\">TeaNet\u003C\u002Fa>\u003C\u002Fb>  - 受迭代电子弛豫启发的通用神经网络原子间势能。 \u003Ccode>ML-IAP\u003C\u002Fcode>\n\n🔗 \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41467-022-30687-9#code-availability\">PreFerred Potential (PFP)\u003C\u002Fa>\u003C\u002Fb>  - 用于材料发现的通用神经网络势能 https:\u002F\u002Fdoi.org\u002F10.1038\u002Fs41467-022-30687-9。 \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FProprietary_software\">\u003Ccode>专有\u003C\u002Fcode>\u003C\u002Fa>\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DPA-2\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 1.9K) - 大型原子模型作为多任务学习器 https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.15492。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>工作流程\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit) (👨‍💻 84 · 🔀 580 · 📥 68K · 📦 46 · 📋 980 - 9% 开放 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepmd-kit) (📥 6.2K \u002F 月):\n\t```\n\tpip install deepmd-kit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdeepmd-kit) (📥 2.6M · ⏱️ 19.03.2026):\n\t```\n\tconda install -c conda-forge deepmd-kit\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):\n\t```\n\tdocker pull deepmodeling\u002Fdeepmd-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DeePMD-DPA3\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 1.9K) - DPA-2 的后继版本。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>工作流程\u003C\u002Fcode> \u003Ccode>数据集\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit) (👨‍💻 84 · 🔀 600 · 📥 68K · 📦 46 · 📋 1K - 13% 开放 · ⏱️ 24.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepmd-kit) (📥 6.2K \u002F 月 · 📦 17 · ⏱️ 19.03.2026):\n\t```\n\tpip install deepmd-kit\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fdeepmd-kit) (📥 2.6M · ⏱️ 19.03.2026):\n\t```\n\tconda install -c conda-forge deepmd-kit\n\t```\n- [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fdeepmodeling\u002Fdeepmd-kit) (📥 5.1K · ⭐ 1 · ⏱️ 27.12.2025):\n\t```\n\tdocker pull deepmodeling\u002Fdeepmd-kit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\u002Ftree\u002Fmain\u002Fsrc\u002Ffairchem\u002Fcore\u002Fmodels\u002Fequiformer_v2\">FAIRChem EquiformerV2 模型\u003C\u002Fa>\u003C\u002Fb> (🥈27 ·  ⭐ 2K · 📉) - FAIRChem 对 Equiformer V2 (eqV2) 模型的实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>催化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F 月):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\u002Ftree\u002Fmain\u002Fmodels\u002FeSEN\">FAIRChem eSEN 模型\u003C\u002Fa>\u003C\u002Fb> (🥈27 ·  ⭐ 2K · 📉) - FAIRChem 对平滑能量网络（eSEN）模型的实现 arXiv:2502.12147。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>催化\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002Ffairchem) (👨‍💻 68 · 🔀 440 · 📋 560 - 3% 开放 · ⏱️ 25.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffairchem-core) (📥 32K \u002F 月):\n\t```\n\tpip install fairchem-core\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattersim\">MatterSim\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 520) - MatterSim：一种跨元素、温度和压力的深度学习原子模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>主动学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultimodal_learning\">\u003Ccode>多模态\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPhase_transition\">\u003Ccode>相变\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattersim) (👨‍💻 20 · 🔀 75 · 📥 36 · 📋 50 - 48% 开放 · ⏱️ 18.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fmattersim\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmattersim) (📥 200K \u002F 月 · 📦 21 · ⏱️ 25.02.2026):\n\t```\n\tpip install mattersim\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSevenNet\">SevenNet\u003C\u002Fa>\u003C\u002Fb> (🥈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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSevenNet) (👨‍💻 20 · 🔀 51 · 📥 13K · 📋 89 - 17% 开放 · ⏱️ 15.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FMDIL-SNU\u002FSevenNet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fsevenn) (📥 210K \u002F 月):\n\t```\n\tpip install sevenn\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\">Orb Models\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 560) - Orbital Materials 提供的 ORB 力场模型。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models) (👨‍💻 16 · 🔀 77 · 📦 35 · 📋 75 - 4% 开放 · ⏱️ 18.03.2026):\n\n```\n\tgit clone https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Forb-models) (📥 7.8K \u002F月 · 📦 36 · ⏱️ 18.03.2026):\n\t```\n\tpip install orb-models\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\">CHGNet\u003C\u002Fa>\u003C\u002Fb> (🥉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:\u002F\u002Fchgnet.lbl.gov。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>structure-relaxation\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet) (👨‍💻 13 · 🔀 96 · 📦 68 · 📋 76 - 3% open · ⏱️ 19.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fchgnet) (📥 36K \u002F月):\n\t```\n\tpip install chgnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations\">MACE-FOUNDATION模型\u003C\u002Fa>\u003C\u002Fb> (🥉19 ·  ⭐ 220) - MACE基础模型（MP、OMAT、mh-1）。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations) (👨‍💻 3 · 🔀 22 · 📥 340K · 📋 34 - 8% open · ⏱️ 19.11.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fmace-torch) (📥 66K \u002F月):\n\t```\n\tpip install mace-torch\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fupet\">PET-MAD\u003C\u002Fa>\u003C\u002Fb> (🥉18 ·  ⭐ 180) - 用于先进材料建模的通用原子间势能函数。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fupet) (👨‍💻 14 · 🔀 15 · 📥 38 · 📦 2 · 📋 17 - 5% open · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fpet-mad\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpet-mad) (📥 850 \u002F月):\n\t```\n\tpip install pet-mad\n\t```\n- [Conda](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fpet-mad):\n\t```\n\tconda install -c conda-forge pet-mad\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fm3gnet\">M3GNet\u003C\u002Fa>\u003C\u002Fb> (🥉16 ·  ⭐ 320 · 💤) - 具有三体相互作用的材料图网络，配备DFT近似晶体弛豫器和最先进的…… \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialyzeai\u002Fm3gnet) (👨‍💻 16 · 🔀 74 · 📋 35 - 42% open · ⏱️ 07.04.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fm3gnet\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fm3gnet) (📥 1.7K \u002F月):\n\t```\n\tpip install m3gnet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential\">GRACE\u003C\u002Fa>\u003C\u002Fb> (🥉13 ·  ⭐ 88) - GRACE模型及gracemaker（如TensorPotential软件包中所实现）。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential\u002Fblob\u002Fmaster\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential) (👨‍💻 4 · 🔀 10 · 📦 10 · 📋 18 - 66% open · ⏱️ 06.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FICAMS\u002Fgrace-tensorpotential\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fatomind\u002Fmlip-arena\">MLIP Arena排行榜\u003C\u002Fa>\u003C\u002Fb> (🥉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…… \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fatomind-ai\u002Fmlip-arena) (👨‍💻 3 · 🔀 8 · 📦 2 · 📋 20 - 70% open · ⏱️ 23.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fatomind-ai\u002Fmlip-arena\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FASK-Berkeley\u002FEScAIP\">EScAIP\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 60) - [NeurIPS 2024] 高效缩放注意力原子间势能的官方实现。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002FASK-Berkeley\u002FEScAIP) (👨‍💻 2 · 🔀 6 · 📥 15 · 📋 9 - 22% open · ⏱️ 26.09.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002FASK-Berkeley\u002FEScAIP\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示3个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fffonons\">ffonons\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 23 · 💀) - 由ML力场计算的声子。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDensity_of_states\">\u003Ccode>density-of-states\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fchipsff\">CHIPS-FF\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 9 · 💀) - 通用机器学习力场评估 https:\u002F\u002Fdoi.org\u002F10.1021\u002Facsmaterialslett.5c00093。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fchipsff\u002Fblob\u002Fmain\u002FLICENSE.rst\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>structure-optimization\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransport_phenomena\">\u003Ccode>transport-phenomena\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FJMP\">联合多领域预训练（JMP）\u003C\u002Fa>\u003C\u002Fb> (🥉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。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-4.0\">CC-BY-NC-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>general-tool\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 无监督学习\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsissa-data-science\u002FDADApy\">DADApy\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 140) - 基于距离的数据流形分析工具（Python实现）。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fsissa-data-science\u002FDADApy) (👨‍💻 21 · 🔀 23 · 📋 42 - 28% open · ⏱️ 12.02.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fsissa-data-science\u002FDADApy\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdadapy) (📥 680 \u002F month):\n\t```\n\tpip install dadapy\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示9个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsparks-baird\u002Fmat_discover\">mat_discover\u003C\u002Fa>\u003C\u002Fb> (🥈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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBingqingCheng\u002FASAP\">ASAP\u003C\u002Fa>\u003C\u002Fb> (🥈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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fncfrey\u002Fpumml\">pumml\u003C\u002Fa>\u003C\u002Fb> (🥈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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsketchmap\">Sketchmap\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 48 · 💀) - 一套用于执行非线性降维的程序——尤其是sketch-map。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmathsphy\u002Fpaper-ml-robustness-material-property\">paper-ml-robustness-material-property\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjiaor17\u002F3D-EMGP\">3D-EMGP\u003C\u002Fa>\u003C\u002Fb> (🥉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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flearningmatter-mit\u002FCoarse-Graining-Auto-encoders\">粗粒化自编码器\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 21 · 💀) - 粗粒化自编码器的实现。\u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>single-paper\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMinoru938\u002FKmdPlus\">KmdPlus\u003C\u002Fa>\u003C\u002Fb> (🥉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……\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgitlab.mpcdf.mpg.de\u002Fklai\u002Fdecaf\">原子环境框架下的描述符嵌入与聚类（DECAF）\u003C\u002Fa>\u003C\u002Fb> ( ⭐ 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。\u003Ccode>Unlicensed\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 可视化\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_专注于原子尺度机器学习可视化的项目。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fcrystaltoolkit\">Crystal Toolkit\u003C\u002Fa>\u003C\u002Fb> (🥇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。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fcrystaltoolkit) (👨‍💻 38 · 🔀 66 · 📦 43 · 📋 150 - 45% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002Fcrystaltoolkit\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fcrystal-toolkit) (📥 8.6K \u002F 月 · 📦 12 · ⏱️ 05.03.2026):\n\t```\n\tpip install crystal-toolkit\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\">pymatviz\u003C\u002Fa>\u003C\u002Fb> (🥈23 ·  ⭐ 310) - 材料信息学中的可视化工具包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>通用工具\u003C\u002Fcode> \u003Ccode>概率性\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz) (👨‍💻 14 · 🔀 37 · 📥 5.4K · 📦 32 · 📋 65 - 1% 开放 · ⏱️ 21.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpymatviz) (📥 11K \u002F 月):\n\t```\n\tpip install pymatviz\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope\">Chemiscope\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 170) - 面向材料和分子的交互式结构\u002F属性探索器。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope) (👨‍💻 27 · 🔀 43 · 📥 650 · 📦 6 · 📋 170 - 7% 开放 · ⏱️ 22.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope\n\t```\n- [npm](https:\u002F\u002Fwww.npmjs.com\u002Fpackage\u002Fchemiscope) (📥 91 \u002F 月):\n\t```\n\tnpm install chemiscope\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatterviz\">Elementari\u003C\u002Fa>\u003C\u002Fb> (🥉21 ·  ⭐ 310) - 材料科学的交互式浏览器可视化工具：晶体结构\u002F分子、轨迹、凸包等。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatterviz) (👨‍💻 6 · 🔀 30 · 📥 3.4K · 📦 5 · 📋 43 - 4% 开放 · ⏱️ 10.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjanosh\u002Felementari\n\t```\n- [npm](https:\u002F\u002Fwww.npmjs.com\u002Fpackage\u002Felementari) (📦 2 · ⏱️ 19.06.2025):\n\t```\n\tnpm install elementari\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fzincware\u002FZnDraw\">ZnDraw\u003C\u002Fa>\u003C\u002Fb> (🥉21 ·  ⭐ 49) - 一个强大的工具 for visualizing, modifying, and analysing atomistic systems. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xmjV\">EPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>JavaScript\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fzincware\u002FZnDraw) (👨‍💻 15 · 🔀 5 · 📦 16 · 📋 380 - 20% 开放 · ⏱️ 26.03.2026):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fzincware\u002FZnDraw\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fzndraw) (📥 2.6K \u002F 月 · 📦 5 · ⏱️ 25.03.2026):\n\t```\n\tpip install zndraw\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision\">Atomvision\u003C\u002Fa>\u003C\u002Fb> (🥉12 ·  ⭐ 34 · 💤) - 基于深度学习的原子级图像数据处理框架。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision\u002Fblob\u002Fmaster\u002FLICENSE.md\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FComputer_vision\">\u003Ccode>计算机视觉\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExperimental_physics\">\u003Ccode>实验数据\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>特征学习\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision) (👨‍💻 4 · 🔀 17 · 📦 4 · 📋 9 - 55% 开放 · ⏱️ 25.08.2025):\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fatomvision\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fatomvision) (📥 290 \u002F 月 · ⏱️ 08.05.2023):\n\t```\n\tpip install atomvision\n\t```\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 波函数方法（ML-WFT）\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n_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。_\n\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc\">DeepQMC\u003C\u002Fa>\u003C\u002Fb>（🥇18 ·  ⭐ 410 · 💤）— 基于深度学习的实空间电子量子蒙特卡洛方法。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc)（👨‍💻 14 · 🔀 62 · 📦 3 · 📋 63 - 6% 开放 · ⏱️ 2025年7月14日）：\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeepqmc)（📥 每月160次）：\n\t```\n\tpip install deepqmc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fferminet\">FermiNet\u003C\u002Fa>\u003C\u002Fb>（🥈15 ·  ⭐ 820）— 用于从头计算电子结构的费米子神经网络实现。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fferminet)（👨‍💻 24 · 🔀 160 · 📋 71 - 4% 开放 · ⏱️ 2026年3月11日）：\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fferminet\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\">DeepErwin\u003C\u002Fa>\u003C\u002Fb>（🥈8 ·  ⭐ 67 · 💤）— DeepErwin 是一个 Python 3.8+ 软件包，用于实现并优化 JAX 2.x 波函数模型以进行数值求解。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin)（👨‍💻 9 · 🔀 8 · 📥 18 · 📦 2 · ⏱️ 2025年4月18日）：\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\n\t```\n- [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fdeeperwin)（📥 每月28次 · ⏱️ 2021年12月14日）：\n\t```\n\tpip install deeperwin\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>\u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbytedance\u002Fjaqmc\">JaQMC\u003C\u002Fa>\u003C\u002Fb>（🥉7 ·  ⭐ 93 · 💤）— JAX 加速的量子蒙特卡洛方法。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\u003C\u002Fsummary>\n\n- [GitHub](https:\u002F\u002Fgithub.com\u002Fbytedance\u002Fjaqmc)（👨‍💻 4 · 🔀 11 · ⏱️ 2025年5月30日）：\n\n\t```\n\tgit clone https:\u002F\u002Fgithub.com\u002Fbytedance\u002Fjaqmc\n\t```\n\u003C\u002Fdetails>\n\u003Cdetails>\u003Csummary>显示3个隐藏项目...\u003C\u002Fsummary>\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002FACEpsi.jl\">ACEpsi.jl\u003C\u002Fa>\u003C\u002Fb>（🥉7 ·  ⭐ 3 · 💀）— ACE 波函数参数化。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>特征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Julia\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbytedance\u002FLapNet\">LapNet\u003C\u002Fa>\u003C\u002Fb>（🥉5 ·  ⭐ 73 · 💀）— 高效且精确的量子蒙特卡洛神经网络波函数假设。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002FSchNOrb\">SchNOrb\u003C\u002Fa>\u003C\u002Fb>（🥉5 ·  ⭐ 69 · 💀）— 通过分子波函数的深度神经网络，将机器学习与量子化学统一起来。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n\u003C\u002Fdetails>\n\u003Cbr>\n\n## 其他\n\n\u003Ca href=\"#contents\">\u003Cimg align=\"right\" width=\"15\" height=\"15\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_readme_24b9d31eb293.png\" alt=\"返回顶部\">\u003C\u002Fa>\n\n\n\n---\n\n## 贡献\n\n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：\n\n- 在 [issue 页面](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002Fnew\u002Fchoose) 中选择合适的类别提交 issue，并填写所需信息。\n- 修改 [projects.yaml](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fmain\u002Fprojects.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](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fedit\u002Fmain\u002Fprojects.yaml) 完成此操作。\n\n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](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-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](https:\u002F\u002Fgithub.com\u002Fbest-of-lists\u002Fbest-of\u002Fblob\u002Fmain\u002Fcreate-best-of-list.md)。\n\n有关如何添加或更新项目的更多信息，请参阅 [贡献指南](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fmain\u002FCONTRIBUTING.md)。参与本项目即表示您同意遵守其 [行为准则](https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fmain\u002F.github\u002FCODE_OF_CONDUCT.md)。\n\n## 许可证\n\n[![CC0](https:\u002F\u002Fmirrors.creativecommons.org\u002Fpresskit\u002Fbuttons\u002F88x31\u002Fsvg\u002Fby-sa.svg)](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-sa\u002F4.0\u002F)","# best-of-atomistic-machine-learning 快速上手指南\n\n`best-of-atomistic-machine-learning` 并非单一的代码库或工具包，而是一个**精选的原子尺度机器学习（AML）开源项目排行榜**。它收录了 510+ 个高质量项目，涵盖主动学习、数据集、分子动力学、势函数等 23 个类别。\n\n本指南将帮助你利用该列表发现顶级工具，并以列表中排名第一的 **DP-GEN** 为例，演示如何快速开始一个典型的 AML 项目。\n\n## 环境准备\n\n由于列表中的项目大多基于 Python 生态并涉及科学计算，建议满足以下前置条件：\n\n*   **操作系统**: Linux (推荐 Ubuntu\u002FCentOS) 或 macOS。Windows 用户建议使用 WSL2。\n*   **Python 版本**: 3.8 - 3.11 (具体视目标子项目要求而定)。\n*   **包管理工具**: \n    *   `pip` (Python 包管理)\n    *   `conda` 或 `mamba` (推荐用于管理科学计算依赖，避免冲突)\n*   **硬件加速**: 多数深度学习势函数项目需要 NVIDIA GPU 及对应的 CUDA 驱动。\n*   **国内加速**: 推荐使用清华源或阿里源加速 Python 包和 Conda 环境的安装。\n\n## 安装步骤\n\n由于这是一个项目列表，你不需要安装\"best-of-atomistic-machine-learning\"本身。你需要根据需求从列表中选择具体的工具进行安装。\n\n以下以列表中 **Active learning** 类别下评分最高的 **DP-GEN** (Deep Potential Generator) 为例进行安装演示。\n\n### 方式一：使用 pip 安装（推荐国内用户配置镜像）\n\n```bash\n# 使用清华大学镜像源安装 dpgen\npip install dpgen -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：使用 Conda 安装\n\n```bash\n# 添加 deepmodeling 频道并使用清华镜像源安装\nconda install -c deepmodeling dpgen --override-channels -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fdeepmodeling\u002F\n```\n\n### 方式三：源码安装（获取最新开发版）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\ncd dpgen\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **提示**: 若需使用列表中其他工具（如 `flare`, `ipsuite` 等），请将上述命令中的 `dpgen` 替换为对应的项目名称，并参考该项目在列表中的具体链接。\n\n## 基本使用\n\n安装完成后，即可调用相应工具。以下是使用 **DP-GEN** 生成深度学习势函数模型的最简工作流示例。\n\n### 1. 准备配置文件\n创建一个名为 `config.json` 的文件，定义训练参数、探索空间和机器学习设置（此处仅为示意结构，实际需根据体系填写）：\n\n```json\n{\n  \"type_map\": [\"Al\"],\n  \"mass_map\": [26.98],\n  \"init_data_prefix\": \".\u002Fdata\",\n  \"init_data_sys\": [\"init\u002Fsys-001\"],\n  \"sys_configs_prefix\": \".\u002Fdata\",\n  \"sys_configs\": [[\"sys-001\u002Fconf.lmp\"]],\n  \"fp_style\": \"vasp\",\n  \"shuffle_poscar\": false,\n  \"model_devi_jobs\": [\n    {\"idx\": [0, 1, 2, 3, 4, 5], \"traj_freq\": 10}\n  ]\n}\n```\n\n### 2. 运行生成器\n在终端执行以下命令启动主动学习循环（包含训练、探索、标记数据）：\n\n```bash\ndpgen run config.json machine.json\n```\n\n*注：`machine.json` 用于配置计算资源（如本地 CPU\u002FGPU 或远程集群队列）。*\n\n### 3. 查看结果\n运行结束后，当前目录将生成包含训练好的势函数模型（`.pb` 文件）和收敛的数据集。你可以将这些模型用于后续的分子动力学模拟（如使用 LAMMPS）。\n\n---\n**更多探索**:\n访问该项目的 GitHub 页面浏览完整的 23 个分类（如 `Datasets`, `Generative Models`, `Visualization` 等），直接点击对应项目的链接获取其专属文档和安装指南。","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。\n\n### 没有 best-of-atomistic-machine-learning 时\n- **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。\n- **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。\n- **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。\n- **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。\n\n### 使用 best-of-atomistic-machine-learning 后\n- **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。\n- **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。\n- **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。\n- **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。\n\nbest-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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJuDFTteam_best-of-atomistic-machine-learning_878843fb.png","JuDFTteam","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FJuDFTteam_a101c37d.png","JuDFTteam is the GitHub home of the quantum materials simulation codes and toolkits developed by the division Quantum Theory of Materials at FZ Jülich.",null,"http:\u002F\u002Fwww.judft.de\u002F","https:\u002F\u002Fgithub.com\u002FJuDFTteam",636,57,"2026-04-03T12:10:06","CC-BY-SA-4.0","未说明",{"notes":87,"python":85,"dependencies":88},"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。",[],[54,13],[91,92,93,94,95,96,97,98,99,100,101,102,103,104,105,106,107,108],"atomistic-machine-learning","awesome-list","best-of-list","computational-chemistry","computational-materials-science","condensed-matter","density-functional-theory","drug-discovery","electronic-structure","interatomic-potentials","materials-discovery","materials-informatics","molecular-dynamics","scientific-computing","surrogate-models","scientific-machine-learning","quantum-chemistry","ai4science","2026-03-27T02:49:30.150509","2026-04-06T09:26:05.723792",[112,117,122,127,131,135],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},18653,"运行 `update-best-of-list` Action 工作流时出现 'TypeError: Dict object is not callable' 错误怎么办？","这通常是由于缓存或提交状态不一致导致的奇怪行为。解决方法是：对 `projects.yaml` 文件做一个微小的更改（例如添加一个注释），然后提交并再次运行工作流。这能强制 Action 拉取最新的提交，从而解决错误。如果问题依旧，可以尝试将工作流恢复到原始状态再测试。","https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002F345",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},18654,"项目被拒绝收录的常见原因有哪些？","项目被拒绝通常基于以下标准：1. 不使用机器学习技术而仅使用启发式方法；2. README 中缺乏对科学出版物、方法介绍或文档的直接\u002F间接引用；3. 项目领域不符（如本列表主要关注原子主义机器学习，纯实验数据或计算机视觉项目可能被视为离群值而被移除）。","https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002F241",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},18655,"如何批量处理并关闭多个“添加项目”的 Issue？","在提交代码时，使用特定的 Git 提交信息语法可以自动关闭多个 Issue。正确格式为：`git commit -m \"closes #1, closes #2, closes #3; 你的提交信息\"`。确保在提交信息中明确列出所有要关闭的 Issue 编号。","https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fissues\u002F94",{"id":128,"question_zh":129,"answer_zh":130,"source_url":126},18656,"执行主要列表更新（Major List Update）的标准流程是什么？","标准流程包括：1. 处理累积的添加项目 Issue；2. 将处理后的列表合并到 `projects.yaml` 中（注意不要直接追加，需按字母顺序合并资源部分）；3. 推送代码并使用包含关闭 Issue 语法的提交信息；4. 在 GitHub 上运行 `update-best-of-list` Action；5. 合并并变基生成的 Pull Request；6. 清理发布列表并发布 Zenodo 版本更新 DOI。",{"id":132,"question_zh":133,"answer_zh":134,"source_url":126},18657,"该列表的更新频率和重点关注领域是什么？","该列表每季度更新一次。目前的重点更多放在材料科学（materials）领域，而不是药物设计。列表包含 300+ 个流行的原子主义机器学习（AML）项目，涵盖原子间势、电子结构、数据集和社区资源，并按质量分数自动排名。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":121},18658,"如何为列表推荐来自特定 GitHub 主题的新项目？","可以通过搜索相关的 GitHub 主题来发现新项目，例如 `ai4science`, `materials-informatics`, `density-functional-theory`, `interatomic-potentials` 等。推荐时需确保项目未被添加过，并检查其是否符合列表的技术标准（如必须涉及机器学习技术在材料科学中的应用）。",[140,145,150,155,160,165,170,175,180,185,190,195,200,205,210,215],{"id":141,"version":142,"summary_zh":143,"released_at":144},109151,"2025.04.09-13.10","## 📉 趋势下降\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能多种多样，例如下载量减少或代码活跃度降低。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\">CHGNet\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 290 · 📉) - 预训练的通用神经网络势函数，用于电荷敏感的原子尺度建模 https:\u002F\u002Fchgnet.lbl.gov。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FCederGroupHub\u002Fchgnet\u002Fblob\u002Fmain\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>静电\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>磁性\u003C\u002Fcode> \u003Ccode>结构弛豫\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fscikit-learn-contrib\u002Fscikit-matter\">Scikit-Matter\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 81 · 📉) - 一组与 scikit-learn 兼容的工具集，实现了源自材料科学的方法和……\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>scikit-learn\u003C\u002Fcode>\n\n","2025-04-09T13:32:05",{"id":146,"version":147,"summary_zh":148,"released_at":149},109152,"2025.04.09","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提升的项目。原因可能多种多样，例如下载量增加或代码活跃度提高。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenkim\u002Fkliff\">KLIFF\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 35 · 📈) - 基于KIM的、用于原子间势能的机器学习集成拟合框架。适用\u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ccode>概率模型\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fchemcrow-public\">ChemCrow\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 730 · 📈) - 用于准确解决推理密集型化学任务的开源工具包。采用\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>AI智能体\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRadical-AI\u002Ftorch-sim\">TorchSim\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 170 · 🐣) - 原生PyTorch实现的可批处理原子级模拟工具。适用\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>高通量计算\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>通用原子间势能\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>机器学习原子间势能\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\">hippynn\u003C\u002Fa>\u003C\u002Fb> (🥈13 ·  ⭐ 76 · 📈) - 用于原子级机器学习的Python库。采用\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flanl\u002Fhippynn\u002Fblob\u002Fmain\u002FLICENSE.txt\">自定义\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ccode>工作流\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdftio\">dftio\u003C\u002Fa>\u003C\u002Fb> (🥈8 ·  ⭐ 8 · 📈) - dftio旨在帮助机器学习社区将DFT计算结果转换为易于阅读或进一步使用的格式。适用\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ccode>数据结构\u003C\u002Fcode> \u003Ccode>工作流\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能包括下载量减少或代码活跃度降低等。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet\">MODNet\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 91 · 📉) - MODNet：一种用于机器学习材料性能的框架。适用\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ccode>预训练\u003C\u002Fcode> \u003Ccode>小数据\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>迁移学习\u003C\u002Fcode>\u003C\u002Fa>\n\n## ➕ 新增项目\n\n_近期被添加到本最佳列表中的项目。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fthegardens.ai\u002F\">Garden\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 26 · ➕) - FAIR AI\u002FML模型发布框架。适用\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ccode>模型仓库\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FcuEquivariance\">cuEquivariance\u003C\u002Fa>\u003C\u002Fb> (🥇19 ·  ⭐ 210 · 🐣) - cuEquivariance是一个数学库，包含一系列底层原语和张量操作，用于加速广泛使用的……适用\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>许可证。\u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwi","2025-04-09T12:51:56",{"id":151,"version":152,"summary_zh":153,"released_at":154},109153,"2025.04.08","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提高的项目。原因可能多种多样，例如下载量增加或代码活跃度提升。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fmatml\">MatML\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 3 · 📈) - 用于管理 MatML 生态系统的工具。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pretrained\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能多种多样，例如下载量减少或代码活跃度降低。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsvirtuallab\u002Fm3gnet\">M3GNet\u003C\u002Fa>\u003C\u002Fb> (🥉18 ·  ⭐ 280 · 📉) - 具有三体相互作用的材料图网络，配备 DFT 替代晶体弛豫器和最先进的……。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FQuantumLab-ZY\u002FHamGNN\">HamGNN\u003C\u002Fa>\u003C\u002Fb> (🥈7 ·  ⭐ 91 · 📉) - 一种 E(3) 等变图神经网络，用于预测电子哈密顿矩阵。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>magnetism\u003C\u002Fcode> \u003Ccode>C-lang\u003C\u002Fcode>\n\n## ➕ 新增项目\n\n_近期添加到本最佳列表中的项目。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002FDeePTB\">DeePTB\u003C\u002Fa>\u003C\u002Fb> (🥇15 ·  ⭐ 71 · ➕) - DeePTB：一款具有从头算精度的紧束缚方法深度学习包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen2\">DP-GEN2\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 38 · ➕) - 第二代深度势能生成器。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>workflows\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmodeling-projects\">DeepModeling Projects\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 6 · ➕) - DeepModeling 项目。\u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-gnn\">DeepMD-GNN\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 39 · ➕) - 用于各种图神经网络模型的 DeePMD-kit 插件。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Ftutorials\">DeepModeling Tutorials\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 15 · ➕) - 教程","2025-04-08T07:53:49",{"id":156,"version":157,"summary_zh":158,"released_at":159},109154,"2025.04.07-07.33","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提高的项目。原因可能多种多样，例如下载量增加或代码活跃度提升。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRadical-AI\u002Ftorch-sim\">TorchSim\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 140 · 🐣) - 原生 Torch 实现、可批处理的原子级模拟。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fceriottm\u002Fiam-notebooks\">iam-notebooks\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 28 · 📈) - 原子建模导论课程的 Jupyter 笔记本。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能包括下载量减少或代码活跃度降低等。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdatamol-io\u002Fmolfeat\">Molfeat\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 200 · 📉) - Molfeat：你所有分子特征提取工具的中心平台。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>化学信息学\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>表征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>生成模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FACEsuit\u002Fmace-foundations\">MACE-Foundation 模型\u003C\u002Fa>\u003C\u002Fb> (🥉18 ·  ⭐ 640 · 📉) - MACE-MP 模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>表征学习\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>分子动力学\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fxiaohang007\u002FSLICES\">SLICES 和 MatterGPT\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 100 · 📉) - 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,.. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>表征工程\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLanguage_model\">\u003Ccode>语言模型\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>Transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>材料发现\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>结构预测\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flamm-mit\u002FGraph-Aware-Transformers\">图感知 Transformer\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 56 · 🐣) - G","2025-04-07T07:51:36",{"id":161,"version":162,"summary_zh":163,"released_at":164},109155,"2025.04.07","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提升的项目。原因可能多种多样，例如下载量增加或代码活跃度提高。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\">pymatviz\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 200 · 📈) - 材料信息学领域的可视化工具包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>通用工具\u003C\u002Fcode> \u003Ccode>概率模型\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol\">exmol\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 330 · 📈) - 用于解释预测分子性质的黑箱模型的工具。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FRadical-AI\u002Ftorch-sim\">TorchSim\u003C\u002Fa>\u003C\u002Fb> (🥉13 ·  ⭐ 140 · 🐣) - 原生基于PyTorch、可批处理的原子尺度模拟。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHigh-throughput_computing\">\u003Ccode>HTC\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fsearch?q=universal+interatomic+potential\">\u003Ccode>UIP\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>结构优化\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\">DeepErwin\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 54 · 📈) - DeepErwin是一个适用于Python 3.8及以上版本的软件包，用于实现并优化JAX 2.x波函数模型，以进行数值求解。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmdsunivie\u002Fdeeperwin\u002Fblob\u002Fmaster\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能包括下载量减少或代码活跃度降低。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fflare\">FLARE\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 310 · 📉) - 一个开源的Python库，用于快速且准确地构建原子间势能函数。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fsphericart\">SpheriCart\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 83 · 📉) - 一个多语言库，用于在笛卡尔坐标系中计算球谐函数。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkjappelbaum\u002Fgptchem\">gptchem\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 250 · 💀) - 使用GPT-3解决化学问题。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTeoroo-CMC\u002FPiNN\">PiNN\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 110 · 📉) - 一个用于构建原子神经网络的Python库。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcapoe\u002Fbenchml\">BenchML\u003C\u002Fa>\u003C\u002Fb> (🥉11 ·  ⭐ 15 · 💀) - 一个用于机器学习基准测试和流水线处理的框架。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>基准测试\u003C\u002Fcode>\n\n## ➕ 新增项目\n\n_近期被添加到本最佳列表中的项目。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FWMD-group\u002FSMACT\">SMACT\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 110 · ➕) - 一个用于辅助材料设计与信息学的Python软件包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>","2025-04-07T00:28:00",{"id":166,"version":167,"summary_zh":168,"released_at":169},109156,"2025.01.02","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提高的项目。原因可能多种多样，例如下载量增加或代码活动增强。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-lifesci\">dgl-lifesci\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 740 · 💀) - 用于化学和生物学中图神经网络的 Python 包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fchemcrow-public\">ChemCrow\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 660 · 📈) - 用于准确解决推理密集型化学任务的开源工具包。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGT4SD\u002Fgt4sd-core\">GT4SD\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 340 · 📈) - GT4SD 是一个开源库，旨在加速科学发现过程中的假设生成。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\">Orb Models\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 220 · 🐣) - 来自 Orbital Materials 的 ORB 力场模型。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Forbital-materials\u002Forb-models\u002Fblob\u002Fmain\u002FLICENSE\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>pretrained\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmetatensor\u002Ffeatomic\">Rascaline\u003C\u002Fa>\u003C\u002Fb> (🥇16 ·  ⭐ 49 · 📈) - 用于原子尺度机器学习的表征计算。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>Rust\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能包括下载量减少或代码活动减弱等。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\">FAIR 化学数据集\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 940 · 📉) - OC20、OC22 等数据集。原名 Open Catalyst Project。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCatalysis\">\u003Ccode>catalysis\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmaterialsproject\u002FMPContribs\">MPContribs\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 37 · 📉) - 一个供材料科学家通过 Materials Project 贡献和传播其材料数据的平台。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepqmc\u002Fdeepqmc\">DeepQMC\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 360 · 📉) - 用于实空间电子的深度学习量子蒙特卡洛方法。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\">tinker-hp\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 82 · 📉) - Tinker-HP：在 CPU 和 GPU 上实现的高性能大规模并行进化版 Tinker。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTinkerTools\u002Ftinker-hp\u002Fblob\u002Fmaster\u002Flicense-Tinker.pdf\">Custom\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"h","2025-01-07T14:44:06",{"id":171,"version":172,"summary_zh":173,"released_at":174},109157,"2024.08.19-13.22","已根据议题#125 移除“生物分子”分类。","2024-08-19T13:36:02",{"id":176,"version":177,"summary_zh":178,"released_at":179},109158,"2024.08.15","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提高的项目。原因可能多种多样，例如下载量增加或代码活跃度提升。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFuture-House\u002Fpaper-qa\">paper-qa\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 3.8K · 📈) - 基于引用文档回答问题的LLM链。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Agency\">\u003Ccode>ai-agent\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe\">DScribe\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 390 · 📈) - DScribe 是一个用于为原子系统创建机器学习描述符的 Python 包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\">pymatviz\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 150 · 📈) - 材料信息学领域的可视化工具包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-tool\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fe3nn\u002Fe3nn-jax\">e3nn-jax\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 170 · 📈) - 用于 E3 等变神经网络的 JAX 库。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能包括下载量减少或代码活跃度降低。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata\">dpdata\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 200 · 📉) - 用于处理多种原子模拟数据格式，包括 DeePMD-kit、VASP、LAMMPS、ABACUS 等。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-tooling\u002Fbest-of-ml-python\">Python 机器学习最佳库\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 16K · 📉) - 一份精选的优秀机器学习 Python 库排名列表，每周更新。\u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE\">材料设计开放数据库集成（OPTIMADE）\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 76 · 📉) - 一种用于访问材料数据库的通用 REST API 规范。\u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-torch\">openmm-torch\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 180 · 📉) - OpenMM 插件，用于通过神经网络定义力。\u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenmm\u002Fopenmm-torch#license\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fmatbench-discovery\">MatBench Discovery\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 82 · 📉) - 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。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ccode>benchmarking\u003C\u002Fcode> \u003Ccode>model-repository\u003C\u002Fcode>\n\n## ➕ 新增项目\n\n_最近添加到本最佳列表中的项目。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002F","2024-08-19T12:23:46",{"id":181,"version":182,"summary_zh":183,"released_at":184},109159,"2024.07.04","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提高的项目。原因可能多种多样，例如下载量增加或代码活跃度提升。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DeePMD-kit\u003C\u002Fa>\u003C\u002Fb> (🥇28 ·  ⭐ 1.4K · 📈) - 用于多体势能表示和分子动力学的深度学习工具包。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack\">SchNetPack\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 750 · 📈) - SchNetPack：面向原子体系的深度神经网络。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FlibAtoms\u002FQUIP\">QUIP\u003C\u002Fa>\u003C\u002Fb> (🥈25 ·  ⭐ 340 · 📈) - libAtoms\u002FQUIP 分子动力学框架：https:\u002F\u002Flibatoms.github.io。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">GPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_engineering\">\u003Ccode>rep-eng\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Fortran\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fuf3\u002Fuf3\">超高速力场（UF3）\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 55 · 📈) - UF3：用于生成超高速原子间势能的 Python 库。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack-gschnet\">SchNetPack G-SchNet\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 42 · 📈) - SchNetPack 的 G-SchNet 扩展。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能多种多样，例如下载量减少或代码活跃度降低。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbrucefan1983\u002FGPUMD\">GPUMD\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 410 · 📉) - GPUMD 是一款高效、通用的分子动力学软件包，支持机器学习势能。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>C++\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FElectrostatics\">\u003Ccode>electrostatics\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\">DP-GEN\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 280 · 📉) - 用于生成基于深度学习的原子间势能和力场模型的深度势能生成器。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>workflows\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FDIG\">DIG：深入图数据\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 1.8K · 📉) - 用于图深度学习研究的库。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fziatdinovmax\u002Fgpax\">gpax\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 190 · 📉) - 面向实验科学的高斯过程。\u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FActive_learning_(machine_learning)\">\u003Ccode>active-learning\u003C\u002Fcode>\u003C\u002Fa>\n- \u003Cb>\u003Ca href","2024-08-19T12:20:43",{"id":186,"version":187,"summary_zh":188,"released_at":189},109160,"2024.05.23","## 📈 上升趋势\n\n_与上次更新相比，项目质量得分有所提高的项目。原因可能多种多样，例如下载量增加或代码活动增强。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip\">NequIP\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 540 · 📈) - NequIP 是用于构建 E(3) 等变原子间势能的代码。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpen-Catalyst-Project\u002Focp\u002Fblob\u002Fmain\u002FDATASET.md\">Open Catalyst 数据集\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 660 · 📈) - Open Catalyst 项目的数据集，包括 OC20 和 OC22。 \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFAIR-Chem\u002Ffairchem\">ocp\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 660 · 📈) - ocp 是 Open Catalyst Projects 提供的用于催化领域的先进机器学习算法库。 \u003Ccode>未授权\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpen-Catalyst-Project\u002Focp\u002Fblob\u002Fmain\u002FMODELS.md\">预训练的 OCP 模型\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 660 · 📈) - 作为 Open Catalyst 项目的一部分发布的预训练模型。 \u003Ccode>未授权\u003C\u002Fcode> \u003Ccode>预训练\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fchemiscope\">Chemiscope\u003C\u002Fa>\u003C\u002Fb> (🥉17 ·  ⭐ 110 · 📈) - 一种用于材料和分子的交互式结构\u002F性质探索工具。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>JavaScript\u003C\u002Fcode>\n\n## 📉 下降趋势\n\n_与上次更新相比，项目质量得分有所下降的项目。原因可能多种多样，例如下载量减少或代码活动减弱。_\n\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepchem\u002Fdeepchem\">DeepChem\u003C\u002Fa>\u003C\u002Fb> (🥇36 ·  ⭐ 5.2K · 📉) - 旨在使深度学习技术在药物发现、量子化学、材料科学和生物学领域更加普及。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fatomistic-machine-learning\u002Fschnetpack\">SchNetPack\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 730 · 📉) - SchNetPack：用于原子体系的深度神经网络。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\">TorchMD-NET\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 280 · 📉) - 神经网络势能模型。 \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>预训练\u003C\u002Fcode>\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples#graph-neural-networks\">NVIDIA 针对 Tensor Core 的深度学习示例\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 13K · 📉) - 按模型组织的最先进深度学习脚本——易于训练和部署，且具有可重复的准确性…… \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples\u002Fblob\u002Fmaster\u002FDGLPyTorch\u002FDrugDiscovery\u002FSE3Transformer\u002FLICENSE\">自定义\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>教育用途\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Co","2024-08-19T12:15:15",{"id":191,"version":192,"summary_zh":193,"released_at":194},109161,"2024.03.17","## 📈 Trending Up\r\n\r\n_Projects that have a higher project-quality score compared to the last update. There might be a variety of reasons, such as increased downloads or code activity._\r\n\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcdk\u002Fcdk\">cdk\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 460 · 📈) - The Chemistry Development Kit. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=LGPL-2.1\">LGPL-2.1\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCheminformatics\">\u003Ccode>cheminformatics\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>Java\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Fblob\u002Fmain\u002FOverview\u002Fresources.md\">AI for Science Resources\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 360 · 📈) - List of resources for AI4Science research, including learning resources. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL-3.0%20license\">GPL-3.0 license\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHBench\u002FQH9\">QH9: A Quantum Hamiltonian Prediction Benchmark\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 360 · 📈) - Artificial Intelligence Research for Science (AIRS). \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-SA%204.0\">CC-BY-NC-SA 4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\">Artificial Intelligence for Science (AIRS)\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 360 · 📈) - Artificial Intelligence Research for Science (AIRS). \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=GPL-3.0%20license\">GPL-3.0 license\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-IAP\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>ML-DFT\u003C\u002Fcode> \u003Ccode>ML-WFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHNet\">QHNet\u003C\u002Fa>\u003C\u002Fb> (🥈14 ·  ⭐ 360 · 📈) - Artificial Intelligence Research for Science (AIRS). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\r\n\r\n## 📉 Trending Down\r\n\r\n_Projects that have a lower project-quality score compared to the last update. There might be a variety of reasons such as decreased downloads or code activity._\r\n\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\">TorchMD-NET\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 270 · 📉) - Neural network potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMolecular_dynamics\">\u003Ccode>MD\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransformer_(machine_learning_model)\">\u003Ccode>transformer\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pre-trained\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FDIG\">DIG: Dive into Graphs\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 1.7K · 📉) - A library for graph deep learning research. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar\">mlcolvar\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 74 · 📉) - A unified framework for machine learning collective variables for enhanced sampling simulations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>enhanced-sampling\u003C\u002Fcode>\r\n\r\n## ➕ Added Projects\r\n\r\n_Projects that were recently added to this best-of list._\r\n\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjanosh\u002Fpymatviz\">pymatviz\u003C\u002Fa>\u003C\u002Fb> (🥉17 ·  ⭐ 78 · ➕) - A toolkit for visualizations in materials informatics. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-tool\u003C\u002Fcode> \u003Ccode>probabilistic\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvict0rsch\u002Ffaenet\">FAENet\u003C\u002Fa>\u003C\u002Fb> (🥈11 ·  ⭐ 21 · ➕) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fnext-gen.materialsproject.org\u002Fmaterials\u002Fgnome\">GNoME Explorer\u003C\u002Fa>\u003C\u002Fb> (🥉7 ·  ⭐ 500 · 🐣) - Graph Networks for Materials Exploration Database. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fwww.psik2022.net\u002Fprogram\u002Fsymposia#h.p_hM6hJbQD9dex\">\u003Ccode>materials-discovery\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmaterials_discovery\">Materials Discovery: GNoME\u003C\u002Fa>\u003C\u002Fb> (🥈6 ·  ⭐ 500 · 🐣) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>r\u003C\u002Fcode> \u003Ccode>e\u003C\u002Fcode> \u003Ccode>p\u003C\u002Fcode> \u003Ccode>-\u003C\u002Fcode> \u003Ccode>l\u003C\u002Fcode> \u003Ccode>e\u003C\u002Fcode> \u003Ccode>a\u003C\u002Fcode> \u003Ccode>r\u003C\u002Fcode> \u003Ccode>n\u003C\u002Fcode> \u003Ccode>,\u003C\u002Fcode> \u003Ccode> \u003C\u002Fcode> \u003Ccode>d\u003C\u002Fcode> \u003Ccode>a\u003C\u002Fcode> \u003Ccode>t\u003C\u002Fcode> \u003Ccode>a\u003C\u002Fcode> \u003Ccode>s\u003C\u002Fcode> \u003Ccode>e\u003C\u002Fcode> \u003Ccode>t\u003C\u002Fcode> \u003Ccode>s\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fecignoni\u002Fhalex\">halex\u003C\u002Fa>\u003C\u002Fb> (🥉2 ·  ⭐ 1 · 🐣) - Hamiltonian Learning for Excited States https:\u002F\u002Fdoi.org\u002F10.48550\u002FarXiv.2311.00844. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>ML-WFT\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExcited_state\">\u003Ccode>excited-states\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftorchmd\u002Ftorchmd-net\">TorchMD-NET\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 220 · ➕) - Neural network potentials based on graph neural networks and equivariant transformers. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C","2024-08-19T12:09:03",{"id":196,"version":197,"summary_zh":198,"released_at":199},109162,"2023.12.25","Test whether Zenodo latest release DOI [10.5281\u002Fzenodo.10430261](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.10430261) is working. That DOI is used in the README DOI badge.","2023-12-25T09:30:36",{"id":201,"version":202,"summary_zh":203,"released_at":204},109163,"2023.12.21","Release for Zenodo DOI.","2023-12-25T08:49:53",{"id":206,"version":207,"summary_zh":208,"released_at":209},109164,"2023.12.03-21.16","## ➕ Added Projects\r\n\r\n_Projects that were recently added to this best-of list._\r\n\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMaterials-Consortia\u002FOPTIMADE\">Open Databases Integration for Materials Design (OPTIMADE)\u003C\u002Fa>\u003C\u002Fb> (🥈17 ·  ⭐ 59 · ➕) - Specification of a common REST API for access to materials databases. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fppdebreuck\u002Fmodnet\">MODNet\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 53 · ➕) - MODNet: a framework for machine learning materials properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pre-trained\u003C\u002Fcode> \u003Ccode>small-data\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTransfer_learning\">\u003Ccode>transfer-learning\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flab-cosmo\u002Fmetatensor\">Metatensor\u003C\u002Fa>\u003C\u002Fb> (🥉15 ·  ⭐ 25 · ➕) - Storage format for equivariant atomistic machine learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fluigibonati\u002Fmlcolvar\">mlcolvar\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 59 · ➕) - A unified framework for machine learning collective variables for enhanced sampling simulations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>enhanced-sampling\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fjax_dft\">JAX-DFT\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 32K · ➕) - Google Research. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FDIG\">DIG: Dive into Graphs\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 1.7K · ➕) - A library for graph deep learning research. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdrorlab\u002Fatom3d\">ATOM3D\u003C\u002Fa>\u003C\u002Fb> (🥇18 ·  ⭐ 280 · 💤) - ATOM3D: tasks on molecules in three dimensions. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FBiomolecule\">\u003Ccode>biomolecules\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>benchmarking\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fchemcrow-public\">ChemCrow\u003C\u002Fa>\u003C\u002Fb> (🥇17 ·  ⭐ 320 · 🐣) - Chemcrow. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmcs07\u002FChemDataExtractor\">ChemDataExtractor\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 270 · 💀) - Automatically extract chemical information from scientific documents. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>literature-data\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenBioML\u002Fchemnlp\">ChemNLP project\u003C\u002Fa>\u003C\u002Fb> (🥈16 ·  ⭐ 110 · ➕) - ChemNLP project. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002FGT4SD\">GT4SD - Generative Toolkit for Scientific Discovery\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 280 · ➕) - Gradio apps of generative models in GT4SD. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGenerative_model\">\u003Ccode>generative\u003C\u002Fcode>\u003C\u002Fa> \u003Ccode>pre-trained\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDrug_design#Computer-aided_drug_design\">\u003Ccode>drug-discovery\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdlpack\">dlpack\u003C\u002Fa>\u003C\u002Fb> (🥉14 ·  ⭐ 800 · 💤) - common in-memory tensor structure. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>C++\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fchaitjo\u002Fgeometric-gnn-dojo\u002Fblob\u002Fmain\u002Fgeometric_gnn_101.ipynb\">Geometric GNN Dojo\u003C\u002Fa>\u003C\u002Fb> (🥇12 ·  ⭐ 350 · ➕) - New to geometric GNNs: try our practical notebook, prepared for MPhil students at the University of Cambridge. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHBench\u002FQH9\">QH9: A Quantum Hamiltonian Prediction Benchmark\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 280 · ➕) - Artificial Intelligence for Science (AIRS). \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-NC-SA%204.0\">CC-BY-NC-SA 4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>ML-DFT\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdivelab\u002FAIRS\u002Ftree\u002Fmain\u002FOpenDFT\u002FQHNet\">QHNet\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 280 · ➕) - Artificial Intelligence for Science (AIRS). \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2M0xdwT\">GPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FXanaduAI\u002FGradDFT\">Grad DFT\u003C\u002Fa>\u003C\u002Fb> (🥈12 ·  ⭐ 43 · ➕) - Grad-DFT is a JAX-based library enabling the differentiable design and experimentation of exchange-correlation.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsnap-stanford\u002Fpretrain-gnns\">pretrained-gnns\u003C\u002Fa>\u003C\u002Fb> (🥇10 ·  ⭐ 870 · ➕) - Strategies for Pre-training Graph Neural Networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>pre-trained\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGDS-Education-Community-of-Practice\u002FDSECOP\">DSECOP\u003C\u002Fa>\u003C\u002Fb> (🥈10 ·  ⭐ 31 · ➕) - This repository contains data science educational materials developed by DSECOP Fellows. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CCO-1.0\">CCO-1.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fpair_nequip\">pair_nequip\u003C\u002Fa>\u003C\u002Fb> (🥉","2024-08-19T11:40:51",{"id":211,"version":212,"summary_zh":213,"released_at":214},109165,"2023.08.25-14.45","## ➕ Added Projects\r\n\r\n_Projects that were recently added to this best-of list._\r\n\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fbfocassio\u002FMLDensity_tutorial\">MLDensity_tutorial\u003C\u002Fa>\u003C\u002Fb> (🥉1 ·  ⭐ 3 · 🐣) - Tutorial files to work with ML for the charge density in molecules and solids. \u003Ccode>❗Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Falphafold\">KFAC-JAX\u003C\u002Fa>\u003C\u002Fb> (🥇26 ·  ⭐ 10K · ➕) - Open source code for AlphaFold. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Falphafold\">AlphaFold\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 10K · ➕) - Open source code for AlphaFold. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fdeepmind-research\u002Ftree\u002Fmaster\u002Fdensity_functional_approximation_dm21\">DM21\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 12K · ➕) - This package provides a PySCF interface to the DM21 (DeepMind 21) family of exchange-correlation functionals described.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fdeepqmc.github.io\u002F\">DeepQMC\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 280 · ➕) - Deep learning quantum Monte Carlo for electrons in real space. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fferminet\">FermiNet\u003C\u002Fa>\u003C\u002Fb> (🥈15 ·  ⭐ 550 · ➕) - An implementation of the Fermionic Neural Network for ab-initio electronic structure calculations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisi-kondor\u002FGElib\">GElib\u003C\u002Fa>\u003C\u002Fb> (🥉9 ·  ⭐ 15 · ➕) - C++\u002FCUDA library for SO(3) equivariant operations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3postzC\">MPL-2.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>\u003Cimg src=\"https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fe143de7faaa0dff3bc6a2c9fbaa46d209e56cb5e\u002Fconfig\u002Fimages\u002Fc.ico\" style=\"display:inline;\" width=\"13\" height=\"13\">\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002Fcormorant\">Cormorant\u003C\u002Fa>\u003C\u002Fb> (🥉6 ·  ⭐ 51 · 💀) - Codebase for Cormorant Neural Networks. \u003Ccode>Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002FAutobahn\">Autobahn\u003C\u002Fa>\u003C\u002Fb> (🥉5 ·  ⭐ 26 · 💀) - Repository for Autobahn: Automorphism Based Graph Neural Networks. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Frisilab\u002FSphericalNet\">SphericalNet\u003C\u002Fa>\u003C\u002Fb> ( ⭐ 2 · 💤) - Implementation of Clebsch-Gordan Networks (CGnet: https:\u002F\u002Farxiv.org\u002Fpdf\u002F1806.09231.pdf) by GElib & cnine libraries in.. \u003Ccode>Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"{}\">cnine\u003C\u002Fa>\u003C\u002Fb> (➕) -  \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>\u003Cimg src=\"https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fe143de7faaa0dff3bc6a2c9fbaa46d209e56cb5e\u002Fconfig\u002Fimages\u002Fc.ico\" style=\"display:inline;\" width=\"13\" height=\"13\">\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgabor1\u002Fchemrev-gpr\">chemrev-gpr\u003C\u002Fa>\u003C\u002Fb> (🥉4 ·  ⭐ 5 · 💀) - Notebooks accompanying the paper on GPR in materials and molecules in Chemical Reviews 2020. \u003Ccode>Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fpaper-qa\">paper-qa\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 2.6K · 🐣) - LLM Chain for answering questions from documents with citations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-tooling\u002Fbest-of-ml-python\">Best-of Machine Learning with Python\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 14K · ➕) - A ranked list of awesome machine learning Python libraries. Updated weekly. \u003Ccode>\u003Ca href=\"https:\u002F\u002Ftldrlegal.com\u002Fsearch?q=CC-BY-4.0\">CC-BY-4.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ccode>Python\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature\">Graph-based Deep Learning Literature\u003C\u002Fa>\u003C\u002Fb> (🥈18 ·  ⭐ 4.3K · ➕) - links to conference publications in graph-based deep learning. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>general-ml\u003C\u002Fcode> \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFeature_learning\">\u003Ccode>rep-learn\u003C\u002Fcode>\u003C\u002Fa>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics\">Awesome Materials Informatics\u003C\u002Fa>\u003C\u002Fb> (🥉11 ·  ⭐ 290 · ➕) - Curated list of known efforts in materials informatics = modern materials science. \u003Ccode>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftilde-lab\u002Fawesome-materials-informatics#license\">Custom\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>t\u003C\u002Fcode> \u003Ccode>o\u003C\u002Fcode> \u003Ccode>p\u003C\u002Fcode> \u003Ccode>i\u003C\u002Fcode> \u003Ccode>c\u003C\u002Fcode> \u003Ccode>s\u003C\u002Fcode> \u003Ccode>\u002F\u003C\u002Fcode> \u003Ccode>m\u003C\u002Fcode> \u003Ccode>a\u003C\u002Fcode> \u003Ccode>t\u003C\u002Fcode> \u003Ccode>e\u003C\u002Fcode> \u003Ccode>r\u003C\u002Fcode> \u003Ccode>i\u003C\u002Fcode> \u003Ccode>a\u003C\u002Fcode> \u003Ccode>l\u003C\u002Fcode> \u003Ccode>s\u003C\u002Fcode> \u003Ccode>-\u003C\u002Fcode> \u003Ccode>i\u003C\u002Fcode> \u003Ccode>n\u003C\u002Fcode> \u003Ccode>f\u003C\u002Fcode> \u003Ccode>o\u003C\u002Fcode> \u003Ccode>r\u003C\u002Fcode> \u003Ccode>m\u003C\u002Fcode> \u003Ccode>a\u003C\u002Fcode> \u003Ccode>t\u003C\u002Fcode> \u003Ccode>i\u003C\u002Fcode> \u003Ccode>c\u003C\u002Fcode> \u003Ccode>s\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsedaoturak\u002Fdata-resources-for-materials-science\">The Collection of Database and Dataset Resources in Materials Science\u003C\u002Fa>\u003C\u002Fb> (🥉8 ·  ⭐ 160 · ➕) - A list of databases, datasets and books\u002Fhandbooks where you can find materials properties for machine learning.. \u003Ccode>Unlicensed\u003C\u002Fcode> \u003Ccode>datasets\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fncfrey\u002Fresources\">A Highly Opinionated List of Open-Source Materials Informa","2024-08-19T11:33:16",{"id":216,"version":217,"summary_zh":218,"released_at":219},109166,"2023.06.12-20.27","## ➕ Added Projects\r\n\r\n_Projects that were recently added to this best-of list._\r\n\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.dgl.ai\u002F\">Deep Graph Library (DGL)\u003C\u002Fa>\u003C\u002Fb> (🥇37 ·  ⭐ 12K · ➕) - Python package built to ease deep learning on graph,.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fdeepchem.io\u002F\">DeepChem\u003C\u002Fa>\u003C\u002Fb> (🥇36 ·  ⭐ 4.4K · ➕) - Democratizing Deep-Learning for Drug Discovery, Quantum Chemistry,.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fwww.rdkit.org\u002F\">RDKit\u003C\u002Fa>\u003C\u002Fb> (🥇30 ·  ⭐ 2.1K · ➕) -  \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>\u003Cimg src=\"https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fe143de7faaa0dff3bc6a2c9fbaa46d209e56cb5e\u002Fconfig\u002Fimages\u002Fc.ico\" style=\"display:inline;\" width=\"13\" height=\"13\">\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdeepmd-kit\">DeePMD-kit\u003C\u002Fa>\u003C\u002Fb> (🥇28 ·  ⭐ 1.1K · ➕) - A deep learning package for many-body potential.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">❗️LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode> \u003Ccode>\u003Cimg src=\"https:\u002F\u002Fgithub.com\u002FJuDFTteam\u002Fbest-of-atomistic-machine-learning\u002Fblob\u002Fe143de7faaa0dff3bc6a2c9fbaa46d209e56cb5e\u002Fconfig\u002Fimages\u002Fc.ico\" style=\"display:inline;\" width=\"13\" height=\"13\">\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fhackingmaterials.github.io\u002Fmatminer\u002F\">Matminer\u003C\u002Fa>\u003C\u002Fb> (🥇27 ·  ⭐ 390 · ➕) - Data mining for materials science. \u003Ccode>❗Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"http:\u002F\u002Fquantum-machine.org\u002F\">SchNetPack\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 600 · ➕) - SchNetPack - Deep Neural Networks for Atomistic Systems. \u003Ccode>❗Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSINGROUP\u002Fdscribe\">DScribe\u003C\u002Fa>\u003C\u002Fb> (🥇25 ·  ⭐ 320 · ➕) - DScribe is a python package for creating machine learning.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Flibatoms.github.io\u002F\">QUIP\u003C\u002Fa>\u003C\u002Fb> (🥈25 ·  ⭐ 290 · ➕) - libAtoms\u002FQUIP molecular dynamics framework:.. \u003Ccode>❗Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwhitead\u002Fpaper-qa\">paper-qa\u003C\u002Fa>\u003C\u002Fb> (🥇24 ·  ⭐ 2.6K · 🐣) - LLM Chain for answering questions from documents with citations. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fe3nn.org\u002F\">e3nn\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 680 · ➕) - A modular framework for neural networks with Euclidean symmetry. \u003Ccode>❗Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fawslabs\u002Fdgl-lifesci\">dgl-lifesci\u003C\u002Fa>\u003C\u002Fb> (🥇23 ·  ⭐ 580 · ➕) - Python package for graph neural networks in chemistry and.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3nYMfla\">Apache-2\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fcrystals.ai\u002F\">MEGNet\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 450 · ➕) - Graph Networks as a Universal Machine Learning Framework for.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpgen\">DP-GEN\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 220 · ➕) - The deep potential generator to generate a deep-learning.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">❗️LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdeepmodeling\u002Fdpdata\">dpdata\u003C\u002Fa>\u003C\u002Fb> (🥇22 ·  ⭐ 130 · ➕) - Manipulating multiple atomic simulation data formats, including.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F37RvQcA\">❗️LGPL-3.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faimat-lab\u002Fgcnn_keras\">kgcnn\u003C\u002Fa>\u003C\u002Fb> (🥈22 ·  ⭐ 75 · ➕) - Graph convolution with tf.keras. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FNVIDIA\u002FDeepLearningExamples\">NVIDIA Deep Learning Examples for Tensor Cores\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 11K · ➕) - State-of-the-Art Deep Learning scripts organized by.. \u003Ccode>❗Unlicensed\u003C\u002Fcode> \u003Ccode>\u003Cimg src=\"💊\" style=\"display:inline;\" width=\"13\" height=\"13\">\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Faiqm\u002Ftorchani\">TorchANI\u003C\u002Fa>\u003C\u002Fb> (🥇21 ·  ⭐ 390 · ➕) - Accurate Neural Network Potential on PyTorch. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fmaterialsvirtuallab.github.io\u002Fmaml\u002F\">MAML\u003C\u002Fa>\u003C\u002Fb> (🥈21 ·  ⭐ 240 · ➕) - Python for Materials Machine Learning, Materials Descriptors, Machine.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F3aKzpTv\">BSD-3\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmir-group\u002Fnequip\">NequIP\u003C\u002Fa>\u003C\u002Fb> (🥇20 ·  ⭐ 390 · ➕) - NequIP is a code for building E(3)-equivariant interatomic potentials. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fusnistgov\u002Fjarvis\">JARVIS-Tools\u003C\u002Fa>\u003C\u002Fb> (🥈20 ·  ⭐ 220 · ➕) - JARVIS-Tools: an open-source software package for.. \u003Ccode>❗Unlicensed\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fopencatalystproject.org\u002F\">ocp\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 410 · ➕) - ocp is the Open Catalyst Projects library of state-of-the-art machine.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fur-whitelab\u002Fexmol\">exmol\u003C\u002Fa>\u003C\u002Fb> (🥇19 ·  ⭐ 240 · ➕) - Explainer for black box models that predict molecule properties. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F34MBwT8\">MIT\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFitSNAP\u002FFitSNAP\">FitSNAP\u003C\u002Fa>\u003C\u002Fb> (🥈19 ·  ⭐ 100 · ➕) - Software for generating SNAP machine-learning interatomic.. \u003Ccode>\u003Ca href=\"http:\u002F\u002Fbit.ly\u002F2KucAZR\">❗️GPL-2.0\u003C\u002Fa>\u003C\u002Fcode>\r\n- \u003Cb>\u003Ca ","2024-08-18T10:52:03"]