Jaguar

  • 公開度 0 ☆☆☆
  • ドキュメント充実度 2 ★★☆

非経験的量子化学計算を行う有償のアプリケーション。密度汎関数理論、 ハー トリー-フォック法、MP2法による量子化学計算を高速で行う。分子の構造最適化、スペクトル解析、酸解離定数などを評価でき、TDDFT法・CIS法を用いた励起状態計算も可能。同じ開発元による可視化アプリケーションMaestroとの親和性が高い。

アプリ詳細へ

QTWARE

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

第一原理計算ソフト(OpenMX, TranSIESTA)の出力ファイルからゼーベック係数やペルチェ係数などの熱電物性を計算するアプリ。計算結果を可視化することができるほか、電子密度や状態密度などの可視化も可能。

アプリ詳細へ

QUIP

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

分子動力学計算のためのソフトウェアツールを集約したパッケージ。様々な原子間ポテンシャルやタイトバインディングモデルが実装されており、多数の外部アプリの呼び出しが可能。機械学習ポテンシャルの一種であるGAP (Gaussian Approximation Potential)の訓練と評価に対応している。

アプリ詳細へ

RESPACK

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

物質の相互作用パラメータを評価する第一原理計算ソフトウェア。 最局在ワニエ関数、RPA応答関数、周波数依存電子間相互作用パラメータが計算可能。ノルム保存型擬ポテンシャル+平面波基底を用いるバンド計算に対応しており、xTAPP および Quantum ESPRESSO に関しては、ファイルの変換スクリプトが用意されている。金属、半導体、遷移金属化合物、有機化合物など広範な物質群を計算できる。OpenMP / MPI に対応。

アプリ詳細へ

w2dynamics

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

混成展開連続時間量子モンテカルロ法パッケージ。多軌道不純物模型の一体・二体物理量を測定することが可能。動的平均場のPythonコードも提供されている。wannier90形式のハミルトニアンをインプットとして用いる。

アプリ詳細へ

n2p2

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

ベーラー・パリネロ型ニューラルネットワークポテンシャルを実装するソフトウェアパッケージ。構造とエネルギーを関連付けるデータからポテンシャルを学習したり、学習済みのポテンシャルを任意の構造に対して評価するためのツール群を提供する。LAMMPSと組み合わせることで分子動力学計算も実行可能。

アプリ詳細へ

Firefly

  • 公開度 2 ★★☆
  • ドキュメント充実度 2 ★★☆

非経験的量子化学計算を行うアプリケーション。ハートリー-フォック理論、密度汎関数理論、多体摂動論、配位間相互作用理論など、様々な量子化学理論を用いた分子の電子状態計算が可能。GAMESS-USをインテル互換CPU 用に特化させたものであるが、最近発展した計算手法(CC法やFMO法など)は含まれない。

アプリ詳細へ

TRIQS/CTHYB

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

連続時間量子モンテカルロ法によるオープンソースの不純物問題ソルバー。高効率なモンテカルロアルゴリズムによって、不純物アンダーソン模型や動的平均場計算で現れる有効不純物模型の虚時間グリーン関数を高速で計算することができる。プログラム本体はC++によって記述されており、Pythonから呼び出すことができる。

アプリ詳細へ

Tensordot

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

テンソル縮約コード自動生成ツール.複数のテンソルから構成されるテンソルネットワークを一つのテンソルに縮約するための計算順序を最適化し,そのコードを自動生成する.Pfeiferらによるnetconアルゴリズムを採用しており,高速な最適解探索が可能.生成するコードはNumpyとmptensorに対応している.

アプリ詳細へ

PHYSBO (optimization tools for PHYsics based on Bayesian Optimization )

  • 公開度 3 ★★★
  • ドキュメント充実度 2 ★★☆

COMBO(COMmon Baysian Optimization)をもとに、主に物性分野の研究者をターゲットに開発された、高速でスケーラブルなベイズ最適化のためのPythonライブラリ。あらかじめリストアップした候補パラメータから目的関数値が最大と考えられる候補を機械学習による予測をうまく利用することで選定できる。scikit-learn 等のスタンダードなベイズ最適化の実装よりも、多くのデータを扱うことができる。

アプリ詳細へ