File size: 3,460 Bytes
11b17a3 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 | ---
# 用户自定义标签
tags:
- DMC
- MACE
- molecular dynamics
- extxyz
- carbonate
- XTB
language:
- en
- zh
license: MIT License
---
<p align="center">
<strong>
<span style="font-size: 30px;">DMC</span>
</strong>
</p>
## 数据集描述
DMC 数据集是入门训练示例的溶剂 XTB extxyz 数据集。数据包含碳酸盐分子体系（VC、EC、PC、DMC、EMC、DEC）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入门基准数据集。
训练文件 `solvent_xtb_train_200.xyz` 包含 203 帧（200 个训练构型 + 3 个 isolated atom 构型），测试文件 `solvent_xtb_test.xyz` 包含 1000 帧。元素集合为 H、C、O。
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 DMC 入门示例的完整数据包，包含训练集和测试集，可用于：
- 碳酸盐分子体系势能面模型的入门训练与验证
- 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/DMC/` 目录下：
| 文件路径 | 格式 | shape / 内容 | 说明 |
|---|---|---|---|
| `DMC/solvent_xtb_train_200.xyz` | extxyz | `[203, N_atoms]` | 训练集，200 个训练构型 + 3 个 isolated atom 构型 |
| `DMC/solvent_xtb_test.xyz` | extxyz | `[1000, N_atoms]` | 测试集，1000 帧 |
| `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_xtb` 和 `pbc`。原子行包含元素、坐标、可选 `molID` 和 `forces_xtb`。
| 字段 | 类型 | shape | 说明 |
|---|---|---|---|
| `species` | str | `[N_atoms]` | 元素符号，当前元素集合为 H、C、O |
| `pos` | float | `[N_atoms, 3]` | 原子坐标，单位 Å |
| `molID` | int | `[N_atoms]` | 分子编号，isolated atom 构型中可能不存在 |
| `forces_xtb` | float | `[N_atoms, 3]` | XTB 计算得到的原子受力，单位 eV/Å |
| `energy_xtb` | float | `[1]` | XTB 计算得到的构型总能量，单位 eV |
| `pbc` | bool | `[3]` | 周期边界条件 |
## 数据集使用方式
下载数据集：
```bash
hf download --dataset OneScience-Sugon/DMC --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DMC 入门训练示例数据，未生成新样本或改变原始数据内容。原始构型数据来自 Dajnowicz 等 2022 年关于锂离子电池电解液机器学习势的工作，能量和受力由 XTB (GFN2-xTB) 重新计算。
- **原始论文**：Dajnowicz, S.; Agarwal, G.; Stevenson, J. M.; Jacobson, L. D.; Ramezanghorbani, F.; Leswing, K.; Friesner, R. A.; Halls, M. D.; Abel, R. High-Dimensional Neural Network Potential for Liquid Electrolyte Simulations. *J. Phys. Chem. B* **2022**, *126*, 6271–6280. https://doi.org/10.1021/acs.jpcb.2c03746
- **原始数据仓库**：https://github.com/imagdau/Tutorials
- **许可证**：原始数据未明确声明许可证，以原始 DMC 数据来源、OneScience 仓库和 ModelScope 页面说明为准
|