用于无定形材料的机器学习包。
项目描述
# amlearn 非晶材料机器学习包 (WIP)。
为了表征无定形材料中的异质原子位点环境，我们可以使用 amlearn 导出 1k+ 个候选特征，包括短程（SRO）和中程（MRO）来描述每个原子位点周围的堆积异质性。（参见下图，结合站点特征和机器学习 (ML) 来预测金属玻璃中的变形异质性）。
候选特征包括公认的特征，例如配位数 (CN)、Voronoi 指数、特征基序、体积度量（原子/簇堆积效率）、i 折叠对称指数、键取向顺序和对称函数（最初提出以适应 ML 原子间势最近在特征化无序材料方面取得了成功）。我们还在 amlearn 中包含了我们最近提出的高度可解释和可概括的距离/面积/体积间隙分布特征（请参阅 [连接金属玻璃中的间隙分布和塑料异质性的可转移机器学习框架]（https://www.nature.com/文章/s41467-019-13511-9 ). Qi Wang 和 Anubhav Jain. Nature Communications 10, 5537 (2019)).
在 amlearn 中，我们将 Fortran90 与 Python（使用 f2py）集成，以实现功能的灵活性和快速计算（比纯 Python 快 10 倍以上）的结合。请参考amlearn.featurize中的 SRO 和 MRO 特征表示。我们还在[matminer]( https://github.com/hackingmaterials/matminer ) 中包含一个IntersticeDistribution类作为站点特征化器，这是一个用于材料科学中机器学习的综合 Python 库。
<div align='center'><img alt=”amlearn” src=”docs_rst/_static/schematic_ML_of_deformation.png” width=”800”></div>
＃＃ 安装
在安装 amlearn 之前，请先安装 numpy（1.7.0 或更高版本）。
我们建议使用 conda 安装。
`sh conda install numpy`
或者您可以从 [Numpy 安装说明]( https://www.scipy.org/install.html ) 中找到 numpy 安装指南。
然后，您可以安装 amlearn。amlearn有两种安装方式：
从 PyPI 安装 amlearn（推荐）：
`sh pip install amlearn`
或者：从 GitHub 源安装 amlearn：
首先，使用git克隆 amlearn ：
`sh git clone https: //github.com/Qi-max/ amlearn`
然后，cd到 amlearn 文件夹并运行setup.py：
`sh cd amlearn sudo python setup.py install`
## 参考 Qi Wang 和 Anubhav Jain。一种可转移的机器学习框架，将金属玻璃中的空隙分布和塑料异质性联系起来。自然通讯 10, 5537 (2019)。doi:[10.1038/s41467-019-13511-9](https://www.nature.com/articles/s41467-019-13511-9)
