metatensor y metatomic: bibliotecas fundamentales para el aprendizaje automático atómico interoperable

Área de la Ciencia:

• Materiales computacionales Ciencia de la ciencia.
• Aprendizaje automático en física.
• Desarrollo de Software Científico de Desarrollo de Software.

Sus antecedentes:

• El aprendizaje automático (ML) mejora significativamente las simulaciones a escala atómica al mejorar la precisión y reducir los costos computacionales.
• La integración de ML con el modelado atomístico tradicional enfrenta desafíos debido a fundamentos matemáticos dispares y ecosistemas de software.
• Existe la necesidad de herramientas que faciliten el intercambio de datos sin fisuras y la compatibilidad de modelos entre los marcos ML y los paquetes de simulación establecidos.

Objetivo del estudio:

• Introducir nuevas bibliotecas de software, metatensor y metatomic, diseñadas para superar los desafíos de integración entre ML y simulaciones atómicas.
• Proporcionar un marco común para el manejo de datos y el almacenamiento de modelos, promoviendo una mayor adopción de ML en el modelado de materiales.
• Para permitir el intercambio eficiente y la utilización de modelos de aprendizaje automático a través de diversos programas de simulación.

Principales métodos:

• Desarrollo de `metatensor`: una biblioteca multiplataforma y multilingüe para almacenar y manipular matrices con metadatos, específicamente para ML atómicos.
• Implementación de "metatomic": una biblioteca que proporciona una interfaz portátil para almacenar modelos atómicos de ML y metadatos asociados.
• Demostración de un ecosistema integrado de herramientas, incluidas bibliotecas, utilidades de capacitación e interfaces con paquetes de simulación existentes.

Principales resultados:

• Metatensor permite la representación y manipulación unificada de datos, facilitando la interoperabilidad entre el software ML basado en Python y las herramientas de simulación basadas en Fortran/C/C++.
• Metatomic asegura el almacenamiento y distribución portátil de modelos ML, simplificando su implementación y uso en diferentes entornos de simulación.
• El ecosistema desarrollado muestra la efectividad práctica de los métodos "metatensor" y "metatomic" para cerrar la brecha entre los enfoques computacionales tradicionales y modernos.

Conclusiones:

• Las tecnologías "metatensor" y "metatomic" proporcionan una infraestructura esencial para el avance de las aplicaciones de ML en simulaciones atómicas.
• Estas bibliotecas abordan efectivamente los desafíos de combinar diferentes ecosistemas de software, fomentando la colaboración y la innovación.
• El ecosistema demostrado acelera la integración de ML en los flujos de trabajo de modelado de materiales convencionales.