PaddlePaddle/PaddleMaterials
PaddlePaddle/PaddleMaterials has 130 GitHub stars and 48 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-16 19:04 UTC. Last push 2026-11-09.
できること
- Property Prediction (PP) - Predict material properties from structure - Forward design or predict formation energy, band gap, elastic moduli etc.
- Structure Generation (SG) - Generate novel crystal structures - Inverse design or structure generation
- Machine Learning Interatomic Potential (MLIP) - Surrogate Model for DFT as ML potentials - Molecular dynamics simulations
- Electronic Structure (ES) - Surrogate Model for DFT to predict physical field - Predict electronic density
計測したスター増加
- 24時間
- 0
- 7日間
- 履歴を収集中
- 15日間
- 履歴を収集中
- 1か月
- 履歴を収集中
期間ごとの純増数です。期間は重複しており、日別の値ではありません。未計測の値は空欄です。スター数は注目度の指標であり、品質の保証ではありません。
概要
An End-to-End Deep Learning Toolkit for Materials Science
機械学習README_ja.md
オリジナルPaddleMaterials

🚀 はじめに
PaddleMaterials は、PaddlePaddle ディープラーニングフレームワークを基盤とするエンドツーエンドの AI4Materials ツールキットです。材料科学における基盤モデルの開発とデプロイを目的とした、データとメカニズムの二重駆動型プラットフォームとして設計されています。PPMat により、研究者は AI モデルを効率的に構築し、事前学習済みモデルを利用して材料探索を加速できます。

🧩 コア機能
| タスク | 説明 | 主な用途 |
|---|---|---|
| 物性予測(PP) | 構造から材料物性を予測 | 順設計、生成エネルギー・バンドギャップ・弾性率などの予測 |
| 構造生成(SG) | 新しい結晶構造を生成 | 逆設計または構造生成 |
| 機械学習原子間ポテンシャル(MLIP) | DFT の代理となる ML ポテンシャル | 分子動力学シミュレーション |
| 電子構造(ES) | DFT の代理モデルとして物理場を予測 | 電子密度の予測 |
| スペクトル解析(SE) | スペクトルから構造を再構成 | NMR 構造解析 |
| スペクトル強調(SPEN) | 顕微鏡画像およびスペクトル信号を強調 | STEM 画像の強調、ノイズ除去 |
🧱 対応する材料
- 無機結晶 — 複数のデータセットと事前学習済みモデルによる充実したサポート
- 有機分子 — 低分子や一部のポリマーを含む複数のデータセットと事前学習済みモデルをサポート
✨ PaddleMaterials を選ぶ理由
- ✅ 豊富な事前学習済みモデルと AI-ready データセット — 推論にすぐ利用できる 50 以上の事前学習済みモデルと、学習用に厳選された複数のデータセット
- ✅ マルチタスク統合 — PP、SG、MLIP、ES、SE、SPEN などのタスクを統一されたフレームワークでサポート
- ✅ マルチハードウェア対応 — NVIDIA GPU、MetaX GPU、Intel CPU を全面的にサポート
- ✅ プロダクション対応 — 標準化された設計により使いやすく、分散学習、混合精度、チェックポイントからの再開に対応
📑 対応タスク
| タスク | 説明 | リンク |
|---|---|---|
| 物性予測(PP) | 生成エネルギー、バンドギャップ、弾性特性を予測 | README |
| 構造生成(SG) | 拡散モデルで新しい結晶構造を生成 | README |
| 機械学習原子間ポテンシャル(MLIP) | 分子動力学向けの DFT 精度ポテンシャル | README |
| 電子構造(ES) | 電子構造特性を予測 | README |
| スペクトル解析(SE) | NMR スペクトルから分子構造を再構成 | README |
| スペクトル強調(SPEN) | 顕微鏡画像とスペクトル信号を強調 | README |
🤖 利用可能な事前学習済みモデル
| タスク | モデル | データセット |
|---|---|---|
| 物性予測 | MEGNet、iComformer、DimeNet++、SphereNet | MP2018、MP2024、JARVIS、QM9 など |
| 構造生成 | MatterGen、DiffCSP | MP20、ALEX など |
| 機械学習原子間ポテンシャル | CHGNet、MatterSim、SphereNet | MPTRJ、MD17 など |
| 電子構造 | InfGCN | QM9_ES、MP_ES、OMol25_MC_ES など |
| スペクトル解析 | DiffNMR | MSD_NMR など |
| スペクトル強調 | SFIN | SFIN-HAADF/BF など |
モデルの完全な一覧は MODEL_REGISTRY を参照してください。
🚀 クイックスタート
🔧 インストール
お使いのハードウェア環境に応じて、インストールガイドを参照してください。マルチハードウェア対応の詳細については、対応ハードウェア一覧を参照してください。
⚡ 簡単な推論
物性予測
事前学習済み MEGNet モデルを使用して材料の生成エネルギーを予測します。
python property_prediction/predict.py \
--model_name='megnet_mp2018_train_60k_e_form' \
--weights_name='best.pdparams' \
--input_format=cif --input_path='./property_prediction/example_data/cifs/' \
--output_path='results/'
構造生成
事前学習済み MatterGen モデルを使用して新しい結晶構造を生成します。
python structure_generation/sample.py \
--model_name='mattergen_mp20' \
--weights_name='latest.pdparams' \
--output_path='result_mattergen_mp20/' \
--mode='by_num_atoms' \
--num_atoms=4
原子間ポテンシャル
事前学習済み MatterSim モデルを使用してエネルギーと力を予測します。
python interatomic_potentials/predict.py \
--model_name='mattersim_1M' \
--weights_name='mattersim-v1.0.0-1M_model.pdparams' \
--input_format=cif --input_path='./interatomic_potentials/example_data/cifs/' \
--output_path='results/'
電子構造
事前学習済み InfGCN モデルを使用して、同梱のメタン例の電子密度を予測します。
python electronic_structure/predict.py \
--model_name='infgcn_qm9' \
--weights_name='best.pdparams' \
--input_format=mol --input_path='electronic_structure/example_data/methane.mol' \
--grid_shape=8 \
--grid_batch_size=4096 \
--output_path='output/infgcn_qm9/methane'
データセットまたはローカルチェックポイントを使用した推論については、 InfGCN 予測ガイドを参照してください。
スペクトル解析
事前学習済み DiffNMR モデルと同梱の例を使用して NMR スペクトル解析を実行します。
python spectrum_elucidation/sample.py \
--model_name='diffnmr_msdnmr_nless15' \
--weights_name='best.pdparams' \
--output_path='result_diffnmr_nless15/'
スペクトル強調
事前学習済み SFIN モデルを使用して STEM 画像を強調します。
python spectrum_enhancement/predict.py \
--model_name='sfin_haadf_enhance' \
--weights_name='best.pdparams' \
--input_path='path/to/noisy_image.png' \
--output_path='result_sfin/'
🏋️ 学習を始める
学習およびファインチューニングについては、ドキュメントを参照してください。
🤝 コントリビューター・協力組織・コミュニティ
PaddleMaterials の構築に貢献してくださったすべての皆様に感謝します!
ご協力いただいている以下の組織に感謝します!
PaddleMaterials の WeChat グループに参加して、ぜひ交流してください!

🛠️ PaddleMaterials への貢献
開発者の方はアーキテクチャドキュメントを参照してください。
📜 ライセンス
PaddleMaterials は Apache License 2.0 の下で提供されています。
🎓 引用
@misc{liu2026paddlematerialsendtoenddeeplearning,
title={PaddleMaterials: An End-to-End Deep Learning Toolkit for Materials Science},
author={Xuwei Liu and Zhimin Zhang and Xiaoguang Hu and Zhongwei Liu and Yuanhui Sun and Jun Huo and Hua Wu and Haifeng Wang},
year={2026},
eprint={2611.03154},
archivePrefix={arXiv},
primaryClass={cs.LG},
url={https://arxiv.org/abs/2611.03154},
}
🙏 謝辞
本リポジトリは、以下のプロジェクトのコードを参考にしています。
PaddleScience | Matgl | CDVAE | DiffCSP | MatterGen | MatterSim | CHGNet | AIRS