materialyzeai/matgl

해결하는 문제

MatGL은 재료 과학을 위한 전용 그래프 딥러닝 프레임워크를 제공합니다. 원자 구조는 자연스럽게 수학적 그래프로 표현되므로, 재료의 성질(예: 형성 에너지, 밴드 갭 등)을 예측하고 원자에 대한 포텐셜 에너지 표면(PES)을 시뮬레이션하기 위한 효율적인 대체 모델의 필요성을 해결합니다.

작동 방식

이 라이브러리는 원자 구조에 특화된 여러 그래프 신경망(GNN) 아키텍처를 구현하고 있습니다. 다음과 같은 예가 있습니다:

• QET: 전하 이동을 포함한 시스템을 위한 전하 인식형 등변형 아키텍처입니다.
• TensorNet: 카르테시안 텐서 표현을 사용하는 O(3) 등변형 메시지 전달 네트워크입니다.
• CHGNet: 원자-결합 및 결합 각도 관계를 포착하여 원자 자기 모멘트를 예측하는 네트워크입니다.
• M3GNet: 3체 상호작용을 포함하는 불변형 네트워크로, 주기율표 전반에 걸쳐 기초 포텐셜로 작용할 수 있습니다.
• MEGNet: 분자 및 결정의 성질 예측을 위한 일반적인 그래프 네트워크입니다.

PyTorch Geometric(PyG)를 주 백엔드로 사용하며, NVIDIA Warp(학습 및 추론용 GPU) 및 JAX( CPU, CUDA, Apple Silicon 간 이식 가능한 추론용)를 통해 선택적 가속을 제공합니다.

대상 사용자

재료의 성질을 예측하거나 분자 역학(MD) 및 구조 최적화를 수행하기 위해 딥러닝 모델을 개발, 공유, 사용해야 하는 재료 과학자 및 연구자에게 적합합니다.

주요 특징

• 다양한 아키텍처: TensorNet, M3GNet, QET 등을 포함한 여러 최신 GNN을 지원합니다.
• 고성능 백엔드: NVIDIA Warp 및 JAX를 통한 선택적 가속으로 MD 및 최적화 루프에서 큰 성능 향상을 제공합니다.
• LAMMPS 통합: LAMMPS 시뮬레이터 내에서 에너지, 힘, 비리얼을 평가하기 위한 네이티브 pair_style matgl을 포함합니다.
• Hugging Face 통합: 사전 학습된 모델을 Hugging Face Hub에서 쉽게 로드하고 게시할 수 있습니다.
• CLI 도구: 빠른 성질 예측 및 구조 최적화를 위한 명령줄 인터페이스를 제공합니다.