CederGroupHub/chgnet

해결하는 문제

CHGNet은 재료의 원자론적 모델링을 위한 사전 학습된 보편적인 신경망 포텐셜입니다. 밀도 함수 이론(DFT) 계산의 계산 비용이 높다는 문제를 해결하기 위해, 주기율표 전역의 결정 구조에 대한 에너지, 힘, 응력, 자화모멘트를 DFT에 근접한 정확도로 빠르게 예측할 수 있는 대안을 제공합니다.

작동 방식

CHGNet은 146,000개의 화합물에서 나온 150만 개 이상의 구조를 포함하는 Materials Project trajectory (MPtrj) 데이터셋으로 사전 학습된 결정 해밀토니안 그래프 신경망입니다. 모델은 DFT 자화모멘트로 원자 특징을 정규화하여 전자 상호작용과 전하 분포를 더 잘 포착할 수 있도록 하여, 전하 정보를 고려한 모델링을 가능하게 합니다.

대상 사용자

전통적인 DFT 계산의 높은 비용 없이도 빠른 구조 최적화, 분자 동역학(MD) 시뮬레이션, 재료 안정성 예측이 필요한 재료 과학 및 계산 화학 분야의 연구자들.

주요 특징

• 보편적 포텐셜: 주기율표 전역을 커버하는 대규모 데이터셋으로 사전 학습됨.
• 다중 성질 예측: 에너지, 힘, 응력, 자화모멘트(magmom)를 예측 가능.
• 통합성: ASE(Atomic Simulation Environment) 및 LAMMPS와 연동되어 분자 동역학에 사용 가능.
• 피니튜닝 지원: 사용자 정의 데이터셋으로 피니튜닝이 가능하여 특정 시스템의 정밀도를 향상시킬 수 있음.
• 하드웨어 지원: CPU, NVIDIA GPU(CUDA), Intel GPU(XPU), Apple Silicon(MPS)에서 동작 가능.