Il existe un package Python que je connais: AMP (Atomistic Machine-learning Package). Il est basé sur ASE (Atomic Simulation Environment), une interface homogène à de nombreux packages de chimie de calcul.

En gros, après avoir obtenu des trajectoires géométriques via ASE (en utilisant n'importe quelle chimie de calcul package que vous aimez), une approximation de la surface d'énergie potentielle (PES) est apprise par machine. Il peut être utilisé comme une interface ASE.

Vous pouvez théoriquement faire tout ce dont ASE est capable avec cela, de l'optimisation du point de selle à la dynamique quantique.Je ne suis pas un expert dans ce domaine, mais ils semblent s'appliquer idées allant des réseaux de neurones convolutifs aux structures moléculaires pour décrire l'environnement chimique entourant les atomes. Leur méthode est décrite dans Khorshidi, A .; Peterson, A. A. Amp: Une approche modulaire de l'apprentissage automatique dans les simulations atomistiques. Computer Physics Communications 2016 , 207, 310–324.

Si vous êtes intéressé par les complexes métalliques, il existe un logiciel gratuit, un outil basé sur Python appelé molSimplify. Depuis leur site:

L'optimisation de la géométrie avec la théorie fonctionnelle de la densité (DFT), une procédure générale pour obtenir les structures de l'état fondamental d'un complexe, est exigeante en termes de calcul. temps et peut également facilement échouer. Deux modes de défaillance principaux sont 1) la géométrie attendue ne peut pas rester stable pendant la simulation DFT (par exemple, dissociation du ligand) et 2) la structure électronique de la géométrie optimisée est mauvaise, ce qui indique que le système d'étude est hors du domaine d'applicabilité de DFT. Les deux cas ne peuvent être identifiés qu'une fois la simulation terminée, ce qui entraîne un gaspillage massif de ressources de calcul (et de votre temps!).

Pour relever ce défi, nous avons construit des modèles d'apprentissage automatique pour classer les résultats de la simulation et facilement obtenu de bonnes performances sur les données de test hors échantillon.

C'est vraiment pratique lorsque vous avez des dizaines de structures à créer. Cela donne une bonne géométrie initiale pour des optimisations ultérieures, évitant le travail ennuyeux pour assembler chacun à la main et jouant avec les angles de liaison. Pour plus de détails, voir leur article Duan, Chenru, et al. «Apprendre de l'échec: prédire les résultats du calcul de structure électronique avec des modèles d'apprentissage automatique». Journal of Chemical Theory and Computation, vol. 15, n ° 4, avril de 2019, p. 2331–45. Publications ACS, doi: 10.1021 / acs.jctc.9b00057.