materialyzeai/matgl

何を解決するか

MatGLは材料科学向けの専用のグラフ深層学習フレームワークを提供します。原子構造を数学的なグラフとして自然に表現できるため、材料の性質（形成エネルギー、バンドギャップなど）を予測し、原子のポテンシャルエネルギー面（PES）をシミュレートするための効率的な代理モデルの必要性に対応しています。

動作方法

このライブラリは、原子構造に特化した複数のグラフニューラルネットワーク（GNN）アーキテクチャを実装しています。以下がその例です：

• QET：電荷移動を含むシステム向けの電荷感知・等変換アーキテクチャ。
• TensorNet：カルテシアンテンソル表現を用いたO(3)等変換メッセージパッシングネットワーク。
• CHGNet：原子-結合および結合角関係を捉え、原子の磁気モーメントを予測するネットワーク。
• M3GNet：3体相互作用を組み込んだ不変ネットワーク。周期表全体にわたる基盤ポテンシャルとして機能可能。
• MEGNet：分子および結晶の性質予測に使える汎用グラフネットワーク。

PyTorch Geometric（PyG）を主なバックエンドとして利用し、NVIDIA Warp（GPUでの学習・推論用）およびJAX（CPU、CUDA、Apple Silicon間でポータブルな推論用）によるオプションの高速化も提供しています。

対象ユーザー

材料科学者や研究者が、材料の性質予測や分子動力学（MD）および構造最適化に深層学習モデルを開発・共有・利用する必要がある場合に最適です。

特徴

• 多様なアーキテクチャ：TensorNet、M3GNet、QETを含む複数の最先端GNNをサポート。
• 高性能バックエンド：NVIDIA WarpおよびJAXによるオプションの高速化により、MDおよび最適化ループの大幅な高速化を実現。
• LAMMPS統合：LAMMPSシミュレータ内でエネルギー、力、バリアルを評価するためのネイティブ pair_style matgl を提供。
• Hugging Face統合：事前学習済みモデルをHugging Face Hubから簡単に読み込み、公開可能。
• CLIツール：迅速な性質予測や構造最適化を行うためのコマンドラインインターフェースを提供。