Aitomistic Logo

MLatom：一行安装，并改用更宽松的开源协议

MLatom 现在更好装，也更自由。安装已经简化成一条命令，同时 MLatom 改用 Apache License 2.0 发布——宽松协议，并附带明确的专利授权。下面分别说说这两点在实际使用中意味着什么。

安装变简单了

现在一条命令即可完成安装：

python3 -m pip install -U mlatom

所需的 Python 后端会一并装好，包括 PyTorch/TorchANI 和几何优化后端。此前这些需要你自己再敲一行（pip install -U torch torchani geometric），现在这一步没有了。Python 版本需在 3.9–3.11 之间。

如果要用 AIQM2，还有一步：它需要 DFT-D4 程序，用 conda 安装即可。

conda install -c conda-forge dftd4
export dftd4bin=$(which dftd4)

如果你更希望跟着仓库走而不是跟着发行版，现在也可以直接从源码克隆安装。

现在可以自由地在它之上开发

MLatom 现已采用 Apache License 2.0 发布。你可以自由使用、修改，也可以用于商业用途，并且协议附带明确的专利授权。原协议中「必须引用」的条款已经取消。

对大多数学术用户来说，这在日常使用上几乎没有变化——你本来就可以使用 MLatom，我们也依然希望你在论文中引用它。真正打开的是周边空间：现在可以把 MLatom 用在商业产品或企业内部流程中，也可以 fork、再分发，或集成进更大的工具里。Apache 2.0 是使用最广泛的开源协议之一，这些条款在软件被采用的场合早已是通行做法——这种「一眼就认得」本身就是主要价值。

引用现在是请求，而不是协议义务。如果 MLatom 对你的工作有帮助，请引用它——这是项目得以持续维护和获得经费的方式：

Pavlo O. Dral et al. MLatom 3: A Platform for Machine Learning-Enhanced Computational Chemistry Simulations and Workflows. J. Chem. Theory Comput. 2024, 20, 1193–1213. DOI: 10.1021/acs.jctc.3c01203

第一个计算

用 AIQM2 优化一个水分子。AIQM2 是 MLatom 内置的 AI 增强量子化学方法，适用于 CHNO 元素：

import mlatom as ml

mol = ml.data.molecule.from_xyz_string('''3

O    0.00000    0.00000    0.11779
H    0.00000    0.75545   -0.47116
H    0.00000   -0.75545   -0.47116
''')
aiqm2 = ml.methods(method='AIQM2')
opt = ml.optimize_geometry(model=aiqm2, initial_molecule=mol).optimized_molecule
print(opt.energy)

如果你习惯命令行，同样的任务也可以写成输入文件：

AIQM2               # 方法
geomopt             # 任务：几何优化
xyzfile=init.xyz    # 输入结构
optxyz=opt.xyz      # 输出结构

mlatom geomopt.inp

不想配置环境？MLatom 也可以直接在浏览器里运行——Aitomistic Hub 由 Protomia 驱动：一个能根据自然语言描述完成整套模拟的 AI 助手。

MLatom 还能做什么

  • 方法 — 通用机器学习势（ANI、AIMNet2）与 AI 增强的量子化学方法（UAIQM、AIQM1、AIQM2）；并可通过接口调用 DFT、半经验和波函数方法（PySCF、Gaussian、ORCA、xtb、MNDO、Turbomole、DFTB+、Sparrow、Columbus）。
  • 机器学习模型 — 训练自己的机器学习势（KREG、GAP-SOAP、ANI、MACE 等），支持主动学习、Δ-学习、迁移学习和自校正。
  • 模拟计算 — 几何优化、过渡态搜索、IRC、频率与热化学、分子动力学与非绝热动力学、IR/Raman/UV–vis 光谱，以及周期性边界条件。

相关链接