materialyzeai/matgl

해결하는 문제

MatGL은 재료 과학에서 그래프 딥러닝 모델을 개발하고 사용하기 위한 표준화되고 확장 가능한 플랫폼을 제공합니다. 재료의 물성(예: 형성 에너지, 밴드 갭 등)을 예측하거나 계산 비용이 큰 시뮬레이션을 대체할 수 있는 포텐셜 에너지 표면(PES)의 대체 모델을 생성하는 문제를 해결합니다.

작동 방식

이 라이브러리는 원자를 노드, 결합을 엣지로 하는 수학적 그래프로 원자 집합을 표현합니다. 다음과 같은 고급 그래프 신경망(GNN) 아키텍처를 구현하고 있습니다:

• QET: 전하 이동을 포함한 시스템을 위한 전하 인식형 등변형 아키텍처.
• TensorNet: 카르테시안 텐서 표현을 사용하는 O(3) 등변형 메시지 전달 네트워크.
• CHGNet: 원자 결합 및 각도 정보를 포착하여 DFT 원자 자성 모멘트를 예측하는 네트워크.
• M3GNet: 3체 상호작용을 포함한 불변형 네트워크로, 주기율표 전반에 걸쳐 기초 포텐셜로 작용할 수 있음.
• MEGNet: 분자 및 결정의 물성 예측을 위한 일반적인 그래프 네트워크.

성능 최적화를 위해 MatGL은 여러 백엔드를 지원합니다: 기본적으로 PyTorch Geometric(PyG), NVIDIA Warp를 통한 NVIDIA GPU에서의 가속된 학습 및 추론, 그리고 CPU, CUDA, Apple Silicon에서 포터블하고 고속의 추론을 위한 JAX.

대상 사용자

기계학습 원자 간 포텐셜을 사용하여 재료의 물성 예측, 구조 최적화, 또는 분자 동역학(MD) 시뮬레이션을 수행하고자 하는 재료 과학자 및 연구자를 대상으로 합니다.

주요 특징

• 다양한 아키텍처: QET, TensorNet, M3GNet 등 다양한 등변형 및 불변형 GNN을 지원.
• 고성능 백엔드: NVIDIA Warp(23배 속도 향상) 및 JAX(23.5배 속도 향상)를 통한 선택적 가속.
• LAMMPS 통합: TensorNet 또는 M3GNet 포텐셜을 LAMMPS 시뮬레이션 내에서 평가하기 위한 네이티브 pair_style matgl 포함.
• Hugging Face 통합: Hugging Face Hub를 통해 사전 학습된 모델을 쉽게 로드하고 게시 가능.
• CLI 도구: 빠른 물성 예측 및 구조 최적화를 위한 내장형 명령줄 인터페이스.