sgdml.org

是什么

sGDML（Symmetric Gradient Domain Machine Learning）是一个用于构建机器学习分子力场的科研型开发者工具。正文称其为高度优化的 sGDML force field model 实现，能够从有限数量的参考计算中较准确地重建小中型分子的全局势能面。网站还提供在线入口：用户上传数据集后，可调度训练任务并下载生成的力场模型。

核心功能与开发者能力

该项目提供 Python routines、Python API 与命令行接口，覆盖数据准备、力场重建、力场查询等流程。文档中给出了使用 benchmark dataset 重建乙醇力场的示例，并列出 Train、Predict 等源码 API。生态方面，项目提供 benchmark datasets 和 pre-trained models，并说明可用于 MD simulations、vibrational modes、vibrational spectra、minima hopping 等应用；同时文档目录提到 Multi-CPU 与 Multi-GPU 支持。

开源、自托管与定价

sGDML 代码在 GitHub 仓库开发，并以 MIT License 发布，适合本地安装、复现实验和二次开发。正文未说明在线服务是否开源或可私有化部署，但由于核心代码开放，用户可在本地通过 CLI/Python API 完成训练与预测。定价方面没有商业收费信息，可判断代码免费；在线训练服务是否收费未披露。

优缺点

优点是开源许可友好、文档结构完整，覆盖安装、数据准备、CLI、Python API、FAQ 和应用场景；对计算化学研究者而言，上手路径较清晰。缺点主要集中在在线平台的数据治理：上传内容默认公开，任何拥有链接的人都可下载数据和模型并提交新训练任务；链接丢失无法恢复，上传数据及生成模型也可能随时被删除。此外，网站没有提供 SLA、账户权限、企业支持或隐私型训练方案信息。

适合谁与中国访问

它更适合计算化学、分子动力学和机器学习势能研究人员，而非通用软件开发团队。若涉及未发表数据、商业分子结构或敏感计算结果，应优先选择本地部署而非在线上传。中国访问情况正文无法判断，标记为未知；支付信息也未披露。可关注的替代或互补工具包括 DeePMD-kit、SchNetPack、TorchMD-Net 及 OpenMM 生态中的机器学习势能方案。