---
license: Apache License 2.0
# 用户自定义标签
tags:
  - nanotube
  - MACE
  - carbon nanotube
  - extxyz
  - machine learning potential
language:
  - en
  - zh
---
<p align="center">
  <strong>
    <span style="font-size: 30px;">nanotube</span>
  </strong>
</p>

## 数据集描述
nanotube 数据集是碳纳米管训练和评测示例的 extxyz 数据集。数据包含碳纳米管体系在不同构型下的原子坐标、能量和受力数据是学习和验证机器学习原子间势方法的标准基准数据集。

训练文件 `nanotube_large.xyz` 包含 4000 帧，测试文件 `nanotube_test.xyz` 包含 1032 帧，每帧 370 个原子。元素集合为 C、H。

当前数据包包含约 3 个文件。

## 数据集支持的任务
本标准化数据仓库整理了 MACE nanotube 示例的完整数据包，包含训练集和测试集，可用于：
- 碳纳米管体系势能面模型的训练与验证
- 分子动力学模拟的势能面拟合
- MACE 框架的功能测试与基准评测

## 数据集的格式和结构

数据文件位于 `data/nanotube/` 目录下：

| 文件路径 | 格式 | shape / 内容 | 说明 |
|---|---|---|---|
| `nanotube/nanotube_large.xyz` | extxyz | `[4000, 370]` | 训练集，4000 帧，每帧 370 个原子 |
| `nanotube/nanotube_test.xyz` | extxyz | `[1032, 370]` | 测试集，1032 帧，每帧 370 个原子 |
| `metadata/sha256_manifest.txt` | SHA256 | 校验清单 | 文件完整性校验 |

### extxyz 数据格式

每个构型由原子数行、comment 行和原子行组成。comment 行包含 `Properties`、`Energy` 和 `pbc`。原子行包含元素、坐标和 `forces`。

| 字段 | 类型 | shape | 说明 |
|---|---|---|---|
| `species` | str | `[N_atoms]` | 元素符号，当前元素集合为 C、H |
| `pos` | float | `[N_atoms, 3]` | 原子坐标，单位 Å |
| `forces` | float | `[N_atoms, 3]` | 原子受力，单位 eV/Å |
| `Energy` | float | `[1]` | 构型总能量，单位 eV |
| `pbc` | bool | `[3]` | 周期边界条件 |

## 数据集使用方式
本数据集适用于`OneScience-Sugon`仓库内多个分子动力学模型。

下载数据集：

```bash
hf download --dataset OneScience-Sugon/nanotube --local-dir ./data
```

## OneScience 官方信息

| 平台 | OneScience 主仓库 | Skills 仓库 |
|---|---|---|
| Gitee | https://gitee.com/onescience-ai/onescience | https://gitee.com/onescience-ai/oneskills |
| GitHub | https://github.com/onescience-ai/OneScience | https://github.com/onescience-ai/oneskills |

## 限制与许可证

本数据集为 nanotube 示例数据，未生成新样本或改变原始数据内容。原始数据来自 MD22 Benchmark Dataset (sGDML) 中的 double-walled nanotube 系统，计算级别为 DFT-PBE+MBD (FHI-aims + i-PI)。

- **原始来源**：http://www.sgdml.org/#datasets
- **直接下载链接**：http://www.quantum-machine.org/gdml/repo/datasets/md22_double-walled_nanotube.npz
- **许可证**：以原始 nanotube 数据来源、OneScience 仓库和 ModelScope 页面说明为准

使用原始 nanotube 数据集时请引用：

- Chmiela, S.; Vassilev-Galindo, V.; Unke, O. T.; Kabylda, A.; Sauceda, H. E.; Tkatchenko, A.; Müller, K.-R. Accurate Global Machine Learning Force Fields for Molecules with Hundreds of Atoms. *Science Advances* **2023**, *9*(2), eadf0873.