インストール

pdb2reaction は Linux 環境（ワークステーションや HPC）向けで、本番計算では通常 CUDA 対応 GPU を使用します。ビルド済みの PyTorch wheel は CUDA ランタイムを同梱するため、通常は互換性のある NVIDIA ドライバーだけが必要です。

最短のインストール

nvidia-smi の右上に出る CUDA Version は、ドライバーが扱える最も新しい CUDA です。PyTorch の wheel は、これ以下の cu126・cu130・cu132 から選びます。以下のコマンドは推奨の cu130 を使います。

必須

# 1) Python 3.12 の環境を作成してアクティブ化（例は conda。venv などでもよい）
# 2) CUDA 対応の PyTorch ビルドをインストール
# 3) pdb2reaction をインストール
# 4) Plotly 静的画像 (PNG) エクスポート用のヘッドレス Chrome をインストール
#    Chromium のバイナリをダウンロード（インターネット接続が必要）

conda create -n p2r -c conda-forge --override-channels python=3.12 -y
conda activate p2r

pip install 'torch==2.13.0' --index-url https://download.pytorch.org/whl/cu130  # 推奨。cu126 / cu132 なら末尾を置き換え
pip install pdb2reaction

plotly_get_chrome -y

最後に、UMA モデルをダウンロードできるように Hugging Face Hub にログインします。無料の HF アカウントと読み取り専用トークンが要り、UMA モデルのページでライセンスへの同意が要ることもあります:

hf auth login
# またはスクリプト内でトークン指定する場合:
hf auth login --token '<YOUR_ACCESS_TOKEN>' --add-to-git-credential

ログインはマシン・環境ごとに 1 回行えば十分です。

pdb2reaction --version でバージョンが表示されれば、インストールは成功です。

任意

DMF（--mep-mode dmf）か --solvent（xTB）を使う場合は、代わりに cyipopt・xTB・PyTorch を conda-forge から入れて環境を作り、pdb2reaction を導入します:

conda create -n p2r -c conda-forge --override-channels python=3.12 cyipopt xtb "pytorch=2.13.0=cuda130*" cuda-nvcc -y
conda activate p2r
pip install pdb2reaction
plotly_get_chrome -y

nvidia-smi の CUDA Version が 13.0 より小さいときは、cuda130 を cuda129 に置き換えてください。ORB・AIMNet2・MACE・DFT の導入は 詳細なインストール手順 の手順 7 を参照してください。

詳細なインストール手順

環境を段階的に構築する場合:

  1. クラスターやビルドが必要とする場合のみ CUDA toolkit をロード

    ビルド済みの PyTorch wheel に nvcc は不要です。依存パッケージをソースからビルドする場合は module avail cuda を確認し、クラスターが指定するコンパイラと CUDA toolkit の組み合わせをロードしてください:

    module load cuda/<your-version>   # 例: cuda/12.6 または cuda/12.9

  2. conda 環境を作成してアクティブ化

    conda create -n <your-env> -c conda-forge --override-channels python=3.12 -y
conda activate <your-env>

  3. cyipopt・xTB・PyTorch を conda-forge からインストール --mep-mode dmf（DMF 法）で MEP を探索するときと、xTB の溶媒補正（--solvent）を使うときに必要です。この手順で PyTorch も入るので、手順 4 は飛ばします。GSM のみを使い --solvent も使わない場合はスキップできます。それでも --mep-mode dmf がインポートのエラーで止まるときは、インストール / 環境の問題 を参照してください。

    conda install -c conda-forge --override-channels cyipopt xtb "pytorch=2.13.0=cuda130*" cuda-nvcc -y   # nvidia-smi の CUDA が 13.0 より小さいなら cuda129

  4. 適切な CUDA ビルドの PyTorch をインストール

    手順 3 で PyTorch を入れた場合は、この手順を飛ばします。推奨の例（cu130）:

    pip install 'torch==2.13.0' --index-url https://download.pytorch.org/whl/cu130

    PyTorch 2.13.0 の公式 wheel には cu126、cu132、cpu もあります。上の最短のインストールにある nvidia-smi の見方で wheel を選び、手順 8 で GPU が使えるかを確かめてください。PyTorch の版の対応表 を参照してください。

  5. pdb2reaction 本体と可視化用 Chrome をインストール

    pip install pdb2reaction
plotly_get_chrome -y

    aarch64 では、UMA が fairchem-core を通して読み込む warp-lang 1.18.0 の wheel が glibc 2.35 を必要とし、それより古いシステム（ldd --version で確認できます）では import が GLIBC_2.35' not found で止まります。その場合は warp-lang==1.17.0 をインストールしてください（nvalchemi-toolkit-ops には 1.13.0 以上が必要です）。

  6. Hugging Face Hub (UMA モデル) にログイン

    hf auth login

    利用許諾と非対話型ログインは、上の「必須」を参照してください。

    詳細は上流プロジェクトを参照してください:

  7. （任意）追加の MLIP バックエンドをインストール

    pdb2reaction はデフォルトで UMA を使用します。他のバックエンドは対応する追加パッケージを導入し、-b/--backend（例: -b orb）で選択します:

    ORB（Python 3.11／3.12 が必要、3.12 推奨）:

    pip install "pdb2reaction[orb]"

    AIMNet2:

    pip install "pdb2reaction[aimnet]"

    MACE: mace-torch が要求する e3nn==0.4.4 が UMA の fairchem-core と衝突するので、別の conda 環境に入れます。環境の名前 mace-env は変えても構いません。PyTorch の wheel は手順 4 と同じように選びます。

    conda create -n mace-env -c conda-forge --override-channels python=3.11 -y
conda activate mace-env
pip install 'torch==2.13.0' --index-url https://download.pytorch.org/whl/cu130
pip install pdb2reaction
pip uninstall -y fairchem-core
pip install 'mace-torch>=0.3.8'

    DFT（-b dft、--dft、pdb2reaction dft）: [dft] は Linux x86_64 で CUDA 13 用の GPU4PySCF を導入します（手順 4 の cu130 / cu132 と、手順 3 の cuda130 の PyTorch 向け）。cu126 の wheel か cuda129 のビルドを使うときは、代わりに [dft-cuda12] を導入します。aarch64 では GPU4PySCF をソースからビルドしてください。GPU のない環境でも [dft] で PySCF が入り、--dft-engine cpu で DFT を実行できます。

    pip install "pdb2reaction[dft]"

    DFT を使う場面と、MLIP の TS を DFT で確かめる方法は MLIP の TS を DFT で確かめる を参照してください。

  8. インストールの確認

    pdb2reaction --version
hf auth whoami

    1 行目でインストールされたバージョンが、2 行目で Hugging Face のユーザー名（UMA のダウンロード用）が表示されます。GPU アクセスの確認:

    python -c "import torch; print('CUDA:', torch.cuda.is_available(), torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"

    CUDA: False の場合、バージョンを変える前に、インストールした wheel、スケジューラがジョブに GPU を見せているか、ドライバー、環境のライブラリを確認してください:

    python -m torch.utils.collect_env
python -m pip check

システム要件

OS: Linux、または Windows の WSL。

GPU / CUDA: 選んだ wheel に対応するドライバーの NVIDIA GPU（最短のインストールを参照）。新しい GPU アーキテクチャでは新しい wheel が必要なことがあります。CPU のみでも実行できますが、通常は大幅に遅くなります。

VRAM・RAM・ディスク: メモリはモデル、原子数、Hessian の計算方式とともに増え、ディスクには環境、モデルの重み、軌跡と Hessian が入ります。デフォルトの UMA で Hessian を計算するときの VRAM のおおよその目安は、デフォルトの有限差分（FiniteDifference）で 8 GB に約 900 原子、16 GB に約 2,000 原子、24 GB に約 3,000 原子、96 GB に約 1 万原子、解析 Hessian（Analytical）で 8 GB に約 200 原子、16 GB に約 400 原子、24 GB に約 600 原子、96 GB に約 1,500 原子です。VRAM に収まっても、1,000 原子を超えると Hessian 1 回に 1 時間前後以上かかり、反応機構解析の全体の時間が長くなります。巨大な系を扱う場合は、代表的な計算を 1 つ対象の計算ノードで流し、最大使用量を見てください。

次のステップ