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。
非線形atomicクラスター展開による原子間力ポテンシャル構築のためのツール。pandasとASEを使ったデータフォーマットを用いるが、VASPの出力ファイルから学習データを自動で抽出することもできる。学習したポテンシャルはLAMMPSに対応しており、分子動力学計算と同時に、出現した構造の学習範囲からの逸脱度合い(extrapolation grade)も計算可能。
順問題ソルバーに対して探索アルゴリズムを適用して最適解を探すためのフレームワーク。バージョン1.0では、順問題ソルバーとして量子ビーム回折実験の全反射高速陽電子回折実験（Total-reflection high-energy positron diffraction, TRHEPD，トレプト）、探索アルゴリズムはNelder-Mead法、グリッド型探索法、ベイズ最適化、レプリカ交換モンテカルロ法が実装されている。順問題ソルバーはユーザ自身で定義することもできる。
有効模型をベイズ最適化を用いて有効模型を導出するツール(BEEMs =Bayesian optimization tool of Effective Models )。
与えられたハミルトニアンから磁化曲線を求める順問題ソルバーとして、量子格子模型ソルバーHΦが使われている。ターゲットの磁化曲線と計算で得られた磁化曲線の差がコスト関数として用いられ、ベイズ最適化ライブラリPHYSBOによって、コスト関数を最小にするよう次の候補ハミルトニアンが提案される。
連続変数光量子回路の設計、シミュレーション、最適化のための Pythonライブラリ。グラフやネットワークの最適化、機械学習、化学などの問題を解くための高水準関数を持ち、TensorFlowバックエンドを用いた量子プログラムの学習と最適化を実行できる。
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。
ベーラーグループが開発しているFORTRANベースのベーラー・パリネロ型ニューラルネットワークポテンシャル関連パッケージ。ポテンシャルの構築および評価が可能で、LAMMPSを用いた分子動力学計算にも対応。最新の静電相互作用を考慮するニューラルネットワークポテンシャルが実装されている。
遺伝的アルゴリズムに基づく構造予測を行うアプリケーション。結晶、分子、原子クラスターなどの安定な構造・組成を、第一原理計算や分子動力学を用いて予測する。VASP、LAMMPS、MOPAC、GULP、JDFTxなどの様々なコードとのインターフェイスを持ち、並列化されたアーキテクチャにおいても効率的に動作する。
モーメント・テンソルポテンシャルを実装するソフトウェアパッケージ。ポテンシャルの学習および学習済みのポテンシャルを用いたLAMMPSによる分子動力学計算が実行可能。分子動力学計算と組み合わせた能動学習も利用可能。
機械学習で使われるベイズ最適化のPythonライブラリ。データ数に対して線形に計算コストが増大するので、大きな特徴空間でベイズ最適化を行うことが可能。ハイパーパラメータは第二種最尤推定に基づいてデータから自動的に学習される。