项目速览
| 项目 | Star（统计时间） | 主要功能 | AI4S 领域 | 本周更新（简要） |
|---|---|---|---|---|
| Scientific Agent Skills | 34,011（2026-08-21 09:46） | 为兼容的 AI 智能体提供可复用的科研检索、分析、建模与数据处理流程 | 科研 Agent、跨学科科学计算 | 新增实验室硬件 CAD 技能 |
| Open Science | 2,876（2026-08-21 09:46） | 在本地桌面工作区中组织科研智能体、Python/R 执行、数据连接器与可追溯产物 | 科研 Agent、科研数据与工作流 | 远程计算选择与产物溯源更完整 |
| Foldseek | 1,281（2026-08-21 09:46） | 用蛋白质三维结构或序列检索相似结构，返回对齐、评分与叠合结果 | 结构生物信息学 | 新增概率评分对齐与终端结构查看 |
| MACE | 1,319（2026-08-21 09:46） | 从原子结构和量子计算标签训练机器学习势函数，用于能量、力和分子模拟 | 计算化学、材料模拟 | 增强基础模型微调与磁性约束 |
| TerraTorch | 846（2026-08-21 09:46） | 把地理空间基础模型适配为分割、分类和像素级回归等地球观测任务 | 地球观测、气候与环境 | 安装兼容与分布式训练稳定性修复 |
| DeepXDE | 4,376（2026-08-21 09:46） | 用物理约束神经网络求解微分方程、识别未知参数并学习算子映射 | 物理信息机器学习、科学计算 | 补强点集边界条件输入校验 |
1. Scientific Agent Skills：把可复用科研流程交给兼容的 AI 智能体
Scientific Agent Skills 是一个面向使用 AI 智能体的科研人员、用于复用科学分析与检索流程的技能库。
它不是独立模型或一键研究平台，而是按开放的 Agent Skills 规范组织说明文件与脚本，让兼容的智能体知道该调用哪些工具、检查哪些输入以及怎样报告结果。研究人员可以交给智能体一个研究目标以及表格、序列、分子或地理数据等材料，智能体再按相应技能调用 Python 包、科研数据库和专门命令行工具。技能覆盖生物信息、化学信息、临床研究、材料与地学等场景，产出可以是带来源的检索结果、分析代码、表格、图形或可继续核验的中间文件。项目由 K-Dense 公司研究团队开发和维护。本周新增实验室硬件 CAD 技能，可根据尺寸与约束生成微流控芯片、支架或适配件的 STEP、STL、DXF 等制造文件，并执行几何检查。
资料来源： 官方 GitHub 仓库（访问日期：2026-08-21）；K-Dense 官方网站（访问日期：2026-08-21）；实验室硬件 CAD 功能公告（页面日期：2026-08-15；访问日期：2026-08-21）
2. Open Science：把科研智能体、代码执行和可追溯产物放进一个桌面工作台
Open Science 是一个面向计算与数据密集型研究人员、用于组织可复现 AI 辅助研究的桌面工作台。
它把原本分散在聊天窗口、Notebook、脚本、数据库和文件浏览器之间的流程收进按项目与会话组织的本地工作区。研究人员可以输入自然语言研究目标，附上数据文件并选择模型，让智能体搜索资料、调用科学数据连接器以及运行 Python、R 或命令行任务。生成的报告、表格、图形和代码会与会话、输入文件及执行记录放在一起，产物版本还可查看来源证据，便于复查结果如何得到。项目由新加坡 AIPOCH 开源团队开发。本周发布的 v0.18.0 和 v0.18.1 让研究会话可以选择远程计算主机，补上 SSH 密码连接与连接器产物溯源，使远端执行和结果追踪更完整。
图：项目文件库把上传数据、生成表格和分析图与研究会话放在同一工作区。来源：官方 README 功能截图（访问日期：2026-08-21）。
资料来源： 官方 GitHub 仓库（访问日期：2026-08-21）；AIPOCH GitHub 组织页（访问日期：2026-08-21）；v0.18.0 Release（发布日期：2026-08-19；访问日期：2026-08-21）；v0.18.1 Release（发布日期：2026-08-20；访问日期：2026-08-21）
3. Foldseek：在大规模数据库中快速寻找相似蛋白质结构
Foldseek 是一个面向结构生物信息学研究人员、用于搜索和聚类相似蛋白质三维结构的工具。
它把三维结构编码成"3Di 结构字母"，也就是用离散符号概括相邻残基的空间关系，从而把昂贵的结构比较转成更接近序列搜索的流程。研究人员可以输入 PDB、mmCIF 或压缩结构文件，在 PDB、AlphaFoldDB 或自建数据库中寻找单体和复合物的相似结构，也可以选择从 FASTA 蛋白质序列开始搜索。输出包括候选结构排名、局部或全局对齐、相似性评分、叠合后的坐标文件和交互式 HTML 结果，可用于发现远缘同源关系、辅助功能注释或整理大型结构集合。项目由马克斯·普朗克多学科科学研究所与首尔大学相关团队合作开发，当前由 Steinegger Lab 维护。本周提交新增带概率评分的 LoL-align 对齐模式，并加入在终端中查看结构与对齐结果的支持。
图：Foldseek 先把查询和目标结构离散成 3Di 序列，再做预筛选与结构对齐；右侧展示 3Di 字母的学习方式。来源：论文《Fast and accurate protein structure search with Foldseek》Figure 1（论文在线日期：2023-05-08；访问日期：2026-08-21）。
资料来源： 官方 GitHub 仓库（访问日期：2026-08-21）；原始论文及机构信息（论文在线日期：2023-05-08；访问日期：2026-08-21）；LoL-align 功能提交（提交日期：2026-08-20；访问日期：2026-08-21）
4. MACE：用机器学习势函数连接量子计算与分子模拟
MACE 是一个面向计算化学与材料模拟研究人员、用于训练和使用机器学习原子间势的框架。
原子间势可以理解为从一组原子排布估算体系能量和原子受力的函数，MACE 用对旋转等空间变换保持物理一致的神经网络来学习它。训练时输入由元素种类、原子坐标和晶胞组成的结构，以及量子计算给出的能量、力等参考标签；已有基础模型也可直接使用或针对新数据微调。得到的势函数能预测能量、力和应力，并可接入 ASE、LAMMPS 或 OpenMM 做结构优化和分子动力学模拟，从而减少每一步都调用昂贵量子计算的需要。项目由 ACEsuit 开源组织维护。本周提交让基础模型微调可以带入额外的数值特征，并为磁性模型加入翻转磁矩后仍保持一致的对称约束。
图：MACE 原始论文 Figure 1 比较不同消息传递层数下的能量和力误差，展示模型用较少层数达到稳定精度的结果。来源：论文《MACE: Higher Order Equivariant Message Passing Neural Networks for Fast and Accurate Force Fields》Figure 1（论文版本日期：2023-01-26；访问日期：2026-08-21）。
资料来源： 官方 GitHub 仓库（访问日期：2026-08-21）；ACEsuit GitHub 组织页（访问日期：2026-08-21）；官方文档（访问日期：2026-08-21）；原始论文（论文版本日期：2023-01-26；访问日期：2026-08-21）；额外特征微调提交（提交日期：2026-08-17；访问日期：2026-08-21）；磁性模型约束提交（提交日期：2026-08-20，Asia/Shanghai；访问日期：2026-08-21）
5. TerraTorch：让地球观测基础模型更容易适配具体任务
TerraTorch 是一个面向地球观测与气候研究人员、用于微调地理空间基础模型的 Python 框架。
这里的基础模型是先在大规模卫星、天气或气候数据上预训练，再用较小标注集适配下游任务的模型。研究人员可以提供遥感栅格、气象或气候样本及标签，通过配置文件或 Python 代码选择数据模块、预训练骨干网络、解码器和任务头。框架负责训练、验证和推理流程，可产出语义分割图、类别预测、像素级回归结果、评估指标及可复用模型检查点，并支持将外部模型接入同一工作流。项目最初由 IBM Research 团队开源，现由 TorchGeo 开源组织维护。
图：TerraTorch 原始论文 Figure 1 展示数据模块、任务、模型工厂及骨干网络、解码器和任务头之间的关系。来源：论文《TerraTorch: An open-source framework for fine-tuning Geospatial Foundation Models》Figure 1（论文日期：2025-03-26；访问日期：2026-08-21）。
资料来源： 官方 GitHub 仓库（访问日期：2026-08-21）；IBM Research 项目论文页（访问日期：2026-08-21）；TorchGeo GitHub 组织页（访问日期：2026-08-21）；原始论文（论文日期：2025-03-26；访问日期：2026-08-21）；安装兼容提交（提交日期：2026-08-18；访问日期：2026-08-21）；分布式训练修复提交（提交日期：2026-08-17；访问日期：2026-08-21）
6. DeepXDE：用物理约束神经网络求解与识别微分方程
DeepXDE 是一个面向科学计算研究人员、用于构建物理信息机器学习模型的 Python 库。
物理信息神经网络（PINN）把微分方程、初始条件和边界条件写进训练目标，使模型在拟合观测数据时也受到已知物理规律约束。研究人员可以输入计算区域、常微分或偏微分方程、边界与初始条件、采样点以及可选观测数据，用来求解正问题或从数据反推未知参数。训练后会得到可在时空位置上查询的近似解或物理参数，并可保存模型、误差历史和可视化结果。除了单个方程求解，它还支持 DeepONet，也就是学习从输入函数到输出函数映射的算子模型，适合反复预测一类相关问题。项目最初由布朗大学相关研究团队开发。本周以输入校验为主：点集边界条件的观测值形状不匹配时会直接报错，避免静默生成错误训练数据。
图：DeepXDE 官方文档中的 PINN 流程，从几何、方程和边界或观测数据定义，到网络训练、预测与可视化。来源：官方仓库图片（访问日期：2026-08-21）。
资料来源： 官方 GitHub 仓库（访问日期：2026-08-21）；官方文档（访问日期：2026-08-21）；原始论文及机构信息（访问日期：2026-08-21）；点集边界条件校验提交（提交日期：2026-08-18；访问日期：2026-08-21）