CederGroupHub/chgnet

何を解決するか

CHGNetは、材料の原子論的モデリングに向けた事前学習済みの汎用ニューラルネットワークポテンシャルです。密度汎関数理論（DFT）計算の計算コストの高さという問題を解決し、周期表全体にわたる結晶構造のエネルギー、力、応力、磁気モーメントを、DFTに近い精度で高速に予測する代替手段を提供します。

動作原理

CHGNetは、146,000化合物からなる150万以上の構造を含むMaterials Project trajectory (MPtrj) データセットで事前学習された結晶ハミルトニアングラフニューラルネットワーク（CHGNet）です。モデルはDFTの磁気モーメントで原子特徴を正則化することで、電子相互作用や電荷分布をより正確に捉え、電荷情報を考慮したモデリングを可能にしています。

対象ユーザー

従来のDFT計算の高コストを避けながら、高速な構造最適化、分子動力学（MD）シミュレーション、材料の安定性予測を必要とする材料科学および計算化学の研究者。

特徴

• 汎用ポテンシャル: 周期表全体をカバーする大規模データセットで事前学習済み。
• 多性質予測: エネルギー、力、応力、磁気モーメント（magmom）を予測可能。
• 統合性: ASE（Atomic Simulation Environment）およびLAMMPSと連携し、分子動力学に使用可能。
• ファインチューニング: カスタムデータセットでのファインチューニングをサポートし、特定のシステムの精度を向上可能。
• ハードウェア対応: CPU、NVIDIA GPU（CUDA）、Intel GPU（XPU）、Apple Silicon（MPS）で動作可能。