materialyzeai/matgl

何を解決するか

MatGLは、材料科学におけるグラフ深層学習モデルの開発と利用のための標準化・拡張可能なプラットフォームを提供します。材料の性質（形成エネルギー、バンドギャップなど）を予測する課題や、計算コストの高いシミュレーションを置き換えるためのポテンシャルエネルギー表面（PES）の代理モデルを構築する課題に対処しています。

動作方法

このライブラリは、原子をノード、結合をエッジとする数学的グラフとして原子の集合を表現します。以下のような高度な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：

• 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：原子結合および角度情報を捉え、DFTによる原子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で、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用いる汎用グラフネットワーク。

パフォーマンス最適化のため、MatGLは複数のバックエンドをサポートしています：デフォルトでPyTorch Geometric（PyG）、NVIDIA WarpによるNVIDIA GPU上の高速トレーニング・推論、およびCPU、CUDA、Apple Siliconを跨ぐポータブルで高速な推論用のJAX。

対象ユーザー

材料科学者や研究者で、機械学習原子間ポテンシャルを用いて材料の性質予測、構造最適化、または分子動力学（MD）シミュレーションを実行したい方を対象としています。

特徴

• 多様なアーキテクチャ：QET、TensorNet、M3GNetなど、さまざまな等変換・不変GNNをサポート。
• 高性能バックエンド：NVIDIA Warp（2〜3倍高速化）およびJAX（2〜3.5倍高速化）によるオプション加速。
• LAMMPS統合：TensorNetまたはM3GNetポテンシャルをLAMMPSシミュレーション内で評価するためのネイティブ pair_style matgl を提供。
• Hugging Face統合：Hugging Face Hubを介して、事前学習済みモデルの簡単なロードと公開を可能に。
• CLIツール：即時な性質予測や構造最適化のための組み込みコマンドラインインターフェース。