材料领域深度学习模型库和数据库

最新推荐文章于 2026-07-31 16:48:57 发布
转载 最新推荐文章于 2026-07-31 16:48:57 发布 · 1.6k 阅读 · 23 ·
本内容遵循CC 4.0 BY-SA版权协议
原文链接：https://github.com/deepmaterials/dlmatreview
收录于
机器学习

当前文章被收录于：

机器学习
3 篇文章 1 人学习

积累机器学习有关的内容

订阅专栏 查看详情

dlmatreview

This repository contains links to software packages and databases used in deep-learning applications for materials science and engineering. If you would like to contribute similar repositories/packages, please fork this repository, add the information in the current format and make a pull request to this repository. We welcome your contributions!

Citation

https://arxiv.org/abs/2110.14820

Atomistic databases and software packages

Database nameDatasizeWeb
QM9134khttp://quantum-machine.org/datasets/
ANI20 milhttps://github.com/isayev/ANI1 dataset
MD171milhttp://quantum-machine.org/datasets/#md-datasets
Tox21760khttps://tox21.gov/resources/
CCCBDB2069https://cccbdb.nist.gov/
HOPV15350https://doi.org/10.6084/m9.figshare.1610063
C2DB4000https://cmr.fysik.dtu.dk/c2db/c2db.html
FreeSolv504https://github.com/MobleyLab/FreeSolv
MP144khttps://materialsproject.org/
OQMD816khttp://oqmd.org/
AFLOW3.5 milhttp://www.aflowlib.org/
JARVIS-DFT56khttps://jarvis.nist.gov/jarvisdft/
JARVIS-FF2.5khttps://jarvis.nist.gov/jarvisff/
NOMAD11 milhttps://nomad-lab.eu/prod/rae/gui/search
MCloud22milhttps://www.materialscloud.org/home#statistics
CoreMOF163khttps://mof.tech.northwestern.edu/
QMOF22khttps://github.com/arosen93/QMOF
PDB183khttps://www.rcsb.org/
PDBBind23khttp://www.pdbbind.org.cn/
MOAD39khttp://www.bindingmoad.org/

Software packages

ModelnameApplicationsWeb
ALIGNNMol,Solhttps://github.com/usnistgov/alignn
SchNetPackMol,Solhttps://github.com/atomistic-machine-learning/schnetpack
CGCNNSolhttps://github.com/txie-93/cgcnn
MEGNetMol,Solhttps://github.com/materialsvirtuallab/megnet
DimeNetMolhttps://github.com/klicperajo/dimenet
MPNNMolhttps://github.com/priba/nmpqc
ANIMolhttps://github.com/isayev/ASEANI
AmpSolhttps://bitbucket.org/andrewpeterson/amp
TensorMolMolhttps://github.com/jparkhill/TensorMol
PROPhetSolhttps://github.com/biklooost/PROPhet
DeepMDMolhttps://github.com/deepmodeling/deepmd-kit
ænetSolhttps://github.com/atomisticnet/aenet
E3NNMolhttps://github.com/e3nn/e3nn
neural-fingerprintMolhttps://github.com/HIPS/neural-fingerprint
DeepChemStableMolhttps://github.com/MingCPU/DeepChemStable
MoleculeNetMol,Solhttps://github.com/deepchem/deepchem
dgl-lifesciProthttps://github.com/awslabs/dgl-lifesci
gninaProthttps://github.com/gnina/gnina

Chemicalformula

ModelnameWeb
MatMinerhttps://github.com/hackingmaterials/matminer
MagPiehttps://bitbucket.org/wolverton/magpie
DScribehttps://github.com/SINGROUP/dscribe
ElemNethttps://github.com/NU-CUCIS/ElemNet
IRNethttps://github.com/NU-CUCIS/IRNet
Roosthttps://github.com/CompRhys/roost
CrabNethttps://github.com/anthony-wang/CrabNet
CFID-Chemhttps://github.com/usnistgov/jarvis/
Atom2vechttps://github.com/idocx/Atom2Vec

SMILES and fragments

Software nameWeb
DeepSMILEShttps://github.com/baoilleach/deepsmiles
ChemicalVAEhttps://github.com/aspuru-guzik-group/chemicalvae
CVAEhttps://github.com/jaechanglim/CVAE
DeepChemhttps://github.com/deepchem/deepchem
DeepFRAGhttps://git.durrantlab.pitt.edu/jdurrant/deepfrag/
DeepFRAG-khttps://github.com/yaohangli/DeepFragK/

Spectra based

DBnameDatasizeWeb
MPXAS-DB490khttps://materialsproject.org/
JVDielec.func.16khttp://jarvis.nist.gov/jarvisdft
JVInfrared5khttp://jarvis.nist.gov/jarvisdft
RRUFF3527https://rruff.info
ICDDXRD1076439https://www.icdd.com/pdf-product-summary/
ICSDXRD150000https://icsd.nist.gov/
MPXRD140000https://materialsproject.org/
JVXRD60000https://jarvis.nist.gov/jarvisdft/
Ramanopendb1133https://solsa.crystallography.net/rod/index.php
Chem.WebBook1133https://webbook.nist.gov/chemistry/
SDBS34600http://sdbs.riodb.aist.go.jp/sdbs/cgi-bin/creindex.cgi
NMRShiftDB44371https://nmrshiftdb.nmr.uni-koeln.de/
SpectraBase?https://spectrabase.com/
SOPspectrallib.325https://soprano.kikirpa.be/index.php?lib=sop
HTEM140000https://htem.nrel.gov/
SoftwarenameApplicationsWebpage
DOSNetSolhttps://github.com/vxfung/DOSnet
PCA-CGCNNSolhttps://github.com/kihoon-bang/PCA-CGCNN
autoXRDSolhttps://github.com/PV-Lab/autoXRD

Image based

DB NameLink
JARVIS-STMhttps://jarvis.nist.gov/jarvisstm
atomaginedhttps://github.com/MaterialEyes/atomagined
deep damagehttps://git.rwth-aachen.de/Sandra.Korte.Kerzel/DeepDamage/
NanoSEMhttps://doi.org/10.1038/sdata.2018.172
UHCSDBhttp://hdl.handle.net/11256/940
UHCS microconst. DBhttp://hdl.handle.net/11256/964
SmBFOhttps://drive.google.com/
Diranethttps://github.com/arturluis/diranet
Peregrine v2021-03https://doi.org/10.13139/ORNLNCCS/1779073
Microscopy Datasetshttps://github.com/Jerey-Ede/datasets/wiki
Software packages
Package NameLink
PyCroscopyhttps://github.com/pycroscopy/pycroscopy
Prismatichttps://github.com/prism-em/prismatic
py4DSTEMhttps://github.com/py4dstem/py4DSTEM
abTEMhttps://github.com/jacobjma/abTEM
QSTEMhttps://github.com/QSTEM/QSTEM
MuSTEMhttps://github.com/HamishGBrown/MuSTEM
AICrystallographerhttps://github.com/pycroscopy/AICrystallographer
AtomAIhttps://github.com/pycroscopy/atomai
NionSwifthttps://github.com/nion-software/nionswift
EENCMhttps://github.com/ceright1/Prediction-material-property
DefectSegNethttps://github.com/rajatsainju/DefectSegNet
AMPIShttps://github.com/rccohn/AMPIS
partial-STEMhttps://github.com/Jefrey-Ede/partial-STEM/tree/1.0.0
ZeroCostDL4Michttps://github.com/HenriquesLab/ZeroCostDL4Mic

NLP

SoftwarenameLink
Borgeshttps://github.com/CederGroupHub/Borges
ChemDataExtractorhttp://chemdataextractor.org
ChemicalTaggerhttps://github.com/BlueObelisk/chemicaltagger
ChemListemhttps://bitbucket.org/rscapplications/chemlistem/
ChemSpothttps://github.com/rockt/ChemSpot
LBNLPhttps://github.com/lbnlp/lbnlp
mat2vechttps://github.com/materialsintelligence/mat2vec
MaterialsParserhttps://github.com/CederGroupHub/MaterialParser
OSCAR4https://github.com/BlueObelisk/oscar4
SynthesisProjecthttps://www.synthesisproject.org
tmChemhttps://www.ncbi.nlm.nih.gov/research/bionlp/Tools/tmchem/
标签
#深度学习 #人工智能 #材料工程 #数据库 #python
AI驱动材料发现：ML-LCA框架实现可持续设计实战指南
weixin_30298497的博客
05-10 623
机器学习（ML）作为人工智能的核心技术，正深刻变革传统研发范式。其原理在于通过算法模型从数据中学习规律，实现精准预测与优化。在工程实践领域，ML的价值在于将经验驱动转变为数据驱动，大幅提升研发效率与决策科学性。应用场景广泛覆盖材料、化工、能源等行业的性能预测与工艺优化。生命周期评估（LCA）则是量化产品环境影响的标准化方法。当ML与LCA深度耦合，便形成了**ML-LCA框架**，其核心在于将全生命周期环境影响作为优化目标，嵌入材料设计的初始阶段。该框架通过**多目标优化**算法，在虚拟材料空间中同步寻优性
开源材料信息学工具OpenClaw：模块化设计与机器学习流水线实践
weixin_28745525的博客
05-10 582
材料信息学作为材料科学与人工智能的交叉领域，通过数据驱动方法加速新材料发现。其核心原理在于将材料的结构与组成信息转化为机器可读的描述符，进而构建预测模型。这一技术显著提升了材料研发效率，在能源存储、半导体、合金设计等场景广泛应用。OpenClaw项目作为开源协作平台，通过模块化架构整合了描述符计算、机器学习模型库与自动化流水线等关键组件，解决了材料研究中的流程标准化与代码复现难题。该工具支持从组成统计到图神经网络的多层次描述符，并提供了配置文件驱动的自动化工作流，有效降低了材料机器学习的技术门槛。
PyPI 官网下载 | py4DSTEM-0.9.5.tar.gz
01-29
资源来自pypi官网。 资源全名：py4DSTEM-0.9.5.tar.gz
基于 Llama Factory 的 Qwen3 医疗领域 SFT 微调实战指南
weixin_29085151的博客
03-03 275
本文详细介绍了如何使用Llama Factory对Qwen3大语言模型进行医疗领域的SFT微调实战。通过搭建环境、准备高质量的医疗Text2Cypher数据、配置关键训练参数，并最终完成模型导出与API部署，帮助开发者打造一个能理解医学知识、生成精准数据库查询的专用AI助手，有效解决通用模型在垂直领域的专业局限。
剖析Materials Project大规模材料数据库
热门推荐
qq_61829672的博客
09-14 1万+
Materials Project大型材料数据库剖析，包括简单应用与MPDataDoc对象所有属性的解析。
材料仿真软件：Materials Studio_（23）.材料数据库管理
kkchenjj的博客
02-27 1502
通过上述示例，我们可以看到 Materials Studio 提供了丰富的工具和功能来管理和维护材料数据库。无论是创建、导入导出数据、查询筛选数据、备份恢复数据、优化维护数据，还是共享和协作数据，Materials Studio 都提供了简便的脚本接口，使得这些操作变得高效和易于实现。合理利用这些功能，可以大大提高材料科学研究的效率和数据的安全性。希望本文对您在 Materials Studio 中进行材料数据库管理有所帮助。
解密4D-STEM数据处理：py4DSTEM如何将复杂分析变为简单操作
gitblog_00708的博客
05-26 429
在材料科学和纳米技术研究领域，4D扫描透射电子显微镜（4D-STEM）技术正在彻底改变我们对材料微观结构的理解能力。面对海量的四维数据（二维实空间扫描 × 二维衍射空间信息）处理挑战，py4DSTEM作为一款功能强大的开源工具包，为科研人员提供了完整的4D-STEM数据处理解决方案。这个基于Python的框架不仅支持多种数据格式的导入，还集成了从基础数据操作到高级晶体学分析的完整工作流，将原本需要
机械工业常用材料数据库
08-02
《机械工业常用材料性能数据库 CLXN》（以下简称为CLXN）是由机械工业基础标准情报网秘书处开发研制的计算机应用软件，为企业提供了一个比较详细的常用材料性能数据库。 CLXN的使用对象是企业标准化工作、设计人员。在操作方式的设计上，尽可能做到方便、可靠，使用者不需花很多精力即可较轻松地掌握这套软件的使用方法。 该软件的内容为机械工业常用钢种、铸铁、铸钢、工程塑料、铝与铝合金、铜与铜合金、橡胶以及胶粘剂。
Lumerical学习——材料数据库
m0_53677355的博客
10-16 4749
当采用采样材料模型时这是非常重要的， 材料浏览器可用来查看所有材料模型中的材料属性。如果采样数据材料的拟合不够好，可以在材料浏览器编辑容差和最大系数属性、以及光源的波长范围。要修改创建一个新工程时出现的默认材料，编辑安装目录的默认子目录中的模拟文件。默认情况下，在材料数据库中的大部分材料的网格顺序为 2。具有低网格顺序的材料的优先级别高于较高网格顺序的材料（例如，顺序为 1 优先于顺序为 2 的材料）。拟合的均方差误差，拟合算法将采用最少的系数来满足 RMS 的误差小于材料容差属性的指定值。
【强烈推荐】29个材料方面的数据库网址(更全面！！！)
mybirdsky的专栏
01-25 4762
2006-04-23 20:11:06 【强烈推荐】29个材料方面的数据库网址(更全面！！！)1. http://www.china-machine.com常用的材料常数及各种标准2. http://www.webelements.com/元素周期表3. http://cimesg1.epfl.ch/CIOLS/crystal1.pl晶体学网站，里面有
探索材料科学的新视角：MatDeepLearn —— 深度学习与图神经网络的碰撞
gitblog_00036的博客
06-06 657
探索材料科学的新视角：MatDeepLearn —— 深度学习与图神经网络的碰撞 项目介绍 在材料科学的世界中，MatDeepLearn提供了一个平台，专为基于图神经网络（GNN）和机器学习（ML）模型的测试和应用而设计。它接收原子结构及其目标属性数据，将其转化为图，并利用Pytorch-Geometric库训练选定的ML模型（可选超参数优化），以对未知数据进行预测。无论你是材料科学的专家还是深度...
不玩虚的！国产算力×深度学习框架，AI4S材料研发干货分享
百度大脑
02-05 693
报告中，首先从材料研发中面临的核心议题构效关系与多尺度模拟中的制约瓶颈展开讨论，分析并探讨以深度学习技术为代表的方法可以有效攻克其高维数学空间的数据稀疏而难以建模和效率受限的问题，同时并进一步从深度学习赋能材料研发的行业视角，总结AI for Materials的行业痛点与难点：深度学习模型架构多，材料种类多与研究尺度多，场景任务多和模型开发与应用平台功能少的特点。PaddleMaterials基于飞桨深度学习框架，面向AI辅助材料研发场景，研发的数理双驱的，支持算法开发与模型应用的端到端开发套件。
深度学习赋能高分子材料科学：DeepChem完整实战指南
最新发布
gitblog_00813的博客
07-31 465
在当今材料科学领域，高分子材料的设计与优化已成为推动技术革新的关键驱动力。DeepChem作为一款开源的深度学习框架，专门为药物发现、量子化学、材料科学和生物学研究提供强大的机器学习工具。对于高分子材料研究而言，DeepChem提供了从分子表示到性质预测的完整解决方案，让研究人员能够快速构建和部署聚合反应动力学模型，加速新材料的设计与开发流程。 ## 🧪 DeepChem高分子建模的核心架构
MatterGen：AI驱动的无机材料生成革命，开启新材料发现新纪元
gitblog_00280的博客
04-01 393
在材料科学领域，每一次突破都意味着人类技术能力的跃升。MatterGen作为微软推出的革命性AI材料生成模型，正以其跨周期表的无机材料设计能力，为材料科学家和研究人员提供前所未有的工具。这个开源项目不仅能够生成全新的无机材料结构，还能通过微调引导生成过程，满足多样化的属性约束需求。 ## 🔥 核心价值：为什么MatterGen如此重要？ 传统材料发现过程往往依赖试错法和经验积累，耗时耗力且效
muSTEM_manual.pdf
09-17
tem模拟处理软件，可以处理EELS，EDS，STEM，ABF，BF，
eels-analysis:Nion Swift软件包，用于进行EELS分析
04-18
Nion Swift EELS分析 用于EELS分析的Nion Swift库（用于Nion Swift） Nion Swift EELS分析由库和UI组成，可用于EELS分析。 测试 包裹 更多信息
PaddlePaddle模型库详解：100+预训练模型免费调用指南
weixin_42602368的博客
12-26 896
百度飞桨提供100多个工业级预训练模型，覆盖OCR、NLP、检测等场景，专为中文任务优化，支持快速微调与轻量化部署。几行代码即可调用ERNIE、PP-OCR等模型，适配国产芯片，助力AI高效落地。
AI/ML/DL/NN四层技术关系图谱：工程师的选型决策指南
weixin_34364071的博客
07-02 481
人工智能（Artificial Intelligence）作为目标导向的能力集合，其落地依赖于分层演进的技术路径：机器学习（Machine Learning）以数据驱动发现模式，深度学习（Deep Learning）突破特征工程瓶颈实现自动表征，而神经网络（Neural Networks）则是贯穿各层的通用数学基座。理解这四者的嵌套逻辑，有助于规避‘小数据硬上Transformer’或‘结构化任务滥用BERT’等典型误用。在金融风控、工业质检、医疗影像等真实场景中，技术选型需综合数据形态、规模、标注成本、实
如何用DeepChem快速构建高分子材料聚合反应动力学模型：完整指南
gitblog_00369的博客
07-31 680
想要预测高分子材料的聚合反应速率？或者优化新型聚合物的分子设计？DeepChem为你提供了一个简单易用的解决方案。作为深度学习的民主化工具，DeepChem专门为药物发现、量子化学、材料科学和生物学领域提供了强大的机器学习框架。在材料科学领域，DeepChem的高分子材料建模能力尤为突出，能够帮助你轻松构建聚合反应动力学模型，加速新材料研发进程。 ## 为什么你需要高分子聚合反应动力学建模？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值