ADF

  • 公開度 0 ☆☆☆
  • ドキュメント充実度 3 ★★★

密度汎関数法を用いた有償の量子化学計算アプリケーション。相対論的効果が必要となる遷移金属錯体や重い元素を取り扱うことができ、COSMOや3D-RISMなど溶媒の効果も取り扱うことができる。通常の電子分光に加え、核磁気共鳴(NMR)、原子振動、電子スピン共鳴、核四重極共鳴(NQR)などの分光データの評価も可能。

アプリ詳細へ

Theano

  • 公開度 3 ★★★
  • ドキュメント充実度 3 ★★★

機械学習のためのオープンソース計算ライブラリ。機械学習に関する様々な機能を実装している。ユーザは数式そのものを直接記述でき、行列演算や自動偏微分などの便利な機能を有する。実行時にCコードを生成してコンパイルすることができ、GPGPU並列計算にも対応してため、高速な計算が可能。チュートリアルも充実している。

アプリ詳細へ

ALF (Algorithms for Lattice Fermions)

  • 公開度 3 ★★★
  • ドキュメント充実度 3 ★★★

補助場量子モンテカルロ法を用いてハバードタイプの模型の有限温度計算を行なうパッケージ。横磁場イジングの場とカップルしたハバード模型の計算も行なうことができる。正方格子、ハニカム格子上のハバード模型の計算例があるなどドキュメントも充実している。

アプリ詳細へ

CASTEP

  • 公開度 0 ☆☆☆
  • ドキュメント充実度 3 ★★★

擬ポテンシャル法と平面波基底を用いた第一原理計算パッケージ。広範な物理系に対して密度汎関数理論に基づく電子状態計算を行うことができ、構造最適化・励起状態解析が可能。触媒反応や相図計算など、多くの物理現象を取り扱うことができる。有償であるが、世界的に多くのユーザーを有する。

アプリ詳細へ

IFEFFIT

  • 公開度 3 ★★★
  • ドキュメント充実度 3 ★★★

X線吸収微細構造解析(XAFS)のためのアプリケーション。コマンドラインを用いたインタラクティブな操作により、XAFSの実験データを多くの手法によって解析することができる。高速フーリエ解析、動径座標や波数空間におけるフィッティング、データの描画機能など、豊富な機能を有する。

アプリ詳細へ

PIMD

  • 公開度 3 ★★★
  • ドキュメント充実度 3 ★★★

分子シミュレーションのためのオープンソースアプリケーション。古典・第一原理分子動力学法、経路積分法、レプリカ交換法、メタダイナミクス法、ストリング法、サーフェスホッピング法、QM/MM法など多様な手法をサポートする。分子構造(レプリカ)と力場(断熱ポテンシャル)の間での階層的な並列化により、高速かつ高効率な計算が可能。

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