Goldilocks MCP

为Quantum ESPRESSO提供SSSP1.3 PBEsol赝势下的k点生成工具，包含k点间距预测和网格生成功能，支持不同置信度水平和模型选择。

研究与数据开发者工具 #量子计算 #材料模拟 #k点生成 #赝势工具 .Python

评分 : 2.5分

下载量 : 0

更新时间 : 2026-03-13

打开站点

什么是Goldilocks MCP服务器？

Goldilocks MCP服务器是一个专门为Quantum ESPRESSO（一款流行的第一性原理计算软件）设计的智能参数推荐工具。它使用机器学习模型（ALIGNN和随机森林）来预测材料计算中k点网格的最优设置，确保计算精度与效率的平衡。

如何使用Goldilocks MCP服务器？

通过Claude Desktop等支持MCP协议的客户端，您可以像与助手对话一样请求k点参数。只需提供材料结构文件路径、选择置信度水平和模型类型，服务器就会返回推荐的k点间距或完整的k点网格。

适用场景

适用于使用Quantum ESPRESSO进行材料电子结构计算的研究人员，特别是那些希望自动化参数设置、避免手动试错、确保计算可靠性的用户。

主要功能

智能k点间距预测

基于材料晶体结构，预测Quantum ESPRESSO计算所需的最优k点间距（k-spacing），平衡计算精度与效率

自动k点网格生成

根据预测的k点间距，自动生成完整的k点网格（kmesh），可直接用于Quantum ESPRESSO输入文件

置信度控制

提供三种置信度水平（0.85, 0.9, 0.95），让用户根据计算需求选择不同的可靠性级别

双模型支持

支持ALIGNN（基于图神经网络的先进模型）和随机森林（RF）两种机器学习模型，适应不同需求

SSSP赝势优化

专门针对SSSP1.3 PBEsol效率版赝势库进行优化，确保预测结果与该赝势库的最佳实践一致

优势

节省计算资源：避免过度密集的k点网格，减少不必要的计算时间

提高可靠性：基于大量训练数据，提供经过验证的参数推荐

用户友好：通过自然语言交互，无需记忆复杂命令

灵活配置：多种置信度和模型选择，适应不同计算需求

专门优化：针对Quantum ESPRESSO和SSSP赝势库深度优化

局限性

仅支持SSSP1.3 PBEsol效率版赝势，其他赝势可能需要调整

需要提供结构文件路径，不能直接处理结构数据

安装需要额外依赖（PyTorch Geometric），可能增加部署复杂度

目前主要针对常规材料，极端情况可能需要手动验证

如何使用

安装准备

确保系统已安装Python 3.11和uv包管理器，克隆Goldilocks仓库

创建虚拟环境

使用uv创建Python虚拟环境并激活

安装依赖

安装基础依赖和PyTorch Geometric（需要单独安装）

配置Claude Desktop

编辑Claude Desktop配置文件，添加Goldilocks MCP服务器

开始使用

启动Claude Desktop，通过自然语言与Goldilocks服务器交互

使用案例

新材料初步筛选

当研究新材料时，需要快速确定合适的计算参数，避免因k点设置不当导致计算不收敛或结果不可靠

计算参数优化

在已有计算结果基础上，希望优化计算参数以减少计算时间，同时保持足够的精度

批量材料计算

需要对多个材料进行高通量计算，需要自动化参数设置流程

常见问题

Goldilocks支持哪些结构文件格式？

置信度水平如何选择？

ALIGNN和随机森林模型有什么区别？

安装PyTorch Geometric时遇到问题怎么办？

可以用于非SSSP赝势吗？

如何验证预测结果的准确性？

🚀 Goldilocks MCP server

Goldilocks MCP server 为使用 SSSP1.3 PBEsol 效率版赝势的 Quantum ESPRESSO 提供 k 点生成工具。

🚀 快速开始

工具介绍

🔍 estimate_kpoint_distance

要求：需指定结构文件的路径、置信水平（模型针对 0.85、0.9 和 0.95 这几个置信水平进行了训练）以及模型（ALIGNN 或 RF）。
示例提示：“Can you please generate k-points spacing for structure 'path/to/BaGa4.cif', confidence level 0.95 with ALIGNN model?”
输出：输出预测的 k 间距以及置信区间。

🔍 generate_kpoint_grid

要求：需指定结构文件的路径、置信水平（模型针对 0.85、0.9 和 0.95 这几个置信水平进行了训练）以及模型（ALIGNN 或 RF）。
示例提示：“Can you please generate k-points grid for structure 'path/to/BaGa4.cif', confidence level 0.95 with ALIGNN model?”
输出：使用 k 间距区间的下限生成预测的 k 网格（以确保预测值与置信水平一致的概率）。

📦 安装指南

本地安装 MCP 服务器

安装 uv（https://docs.astral.sh/uv/getting-started/installation/）。
克隆仓库：

git clone https://github.com/stfc/goldilocks-mcp.git
cd goldilocks-mcp

创建虚拟环境并安装依赖：

uv venv --python 3.11
source .venv/bin/activate
uv pip install -e .

安装 pytorch-geometric（无法从 pyproject.toml 安装，但为必需项）。详情请见 https://pytorch-geometric.readthedocs.io/en/latest/install/installation.html：

uv pip install pyg_lib torch_scatter torch_sparse torch_cluster torch_spline_conv -f https://data.pyg.org/whl/torch-2.8.0+cpu.html
uv pip install torch_geometric

将 mcp 添加到 Claude Desktop

要将 goldilocks-mcp 添加到 Claude Desktop，请按以下步骤操作：

打开或创建 Claude Desktop 配置文件：
- macOS/Linux：~/Library/Application Support/Claude/claude_desktop_config.json
- Windows：请参阅 https://modelcontextprotocol.io/docs/develop/build-server 中的说明。
如果文件不存在，请使用 claude_desktop_config.json 中的内容创建它。如果文件已存在，请将 goldilocks-mcp 条目合并到现有的 mcpServers 对象中。
重要提示：更新配置文件中的路径。将 "absolute/path/to/goldilocks-mcp/goldilocks_mcp/" 替换为你克隆的仓库中 goldilocks_mcp 目录的实际绝对路径。