CederGroupHub/chgnet

解决的问题

CHGNet 是一种用于材料原子论建模的预训练通用神经网络势函数。它通过提供一种快速且接近 DFT 精度的替代方案，解决了密度泛函理论（DFT）计算成本高昂的问题，能够对周期表中各类晶体结构的能量、力、应力和磁矩进行高效预测。

工作原理

CHGNet 是一种在 Materials Project 轨迹（MPtrj）数据集上预训练的晶体哈密顿图神经网络（CHGNet），该数据集包含来自 14.6 万种化合物的超过 150 万种结构。模型通过 DFT 磁矩对原子特征进行正则化，以更好地捕捉电子相互作用和电荷分布，从而实现电荷信息驱动的建模。

适用人群

需要在不承担传统 DFT 计算高成本的前提下，快速进行结构优化、分子动力学（MD）模拟和材料稳定性预测的材料科学与计算化学研究人员。

主要亮点

• 通用势函数：在覆盖整个周期表的大规模数据集上预训练。
• 多性质预测：可预测能量、力、应力和磁矩（magmom）。
• 集成支持：可与 ASE（Atomic Simulation Environment）和 LAMMPS 配合用于分子动力学模拟。
• 微调支持：支持在自定义数据集上进行微调，以提高特定体系的预测精度。
• 硬件兼容：支持在 CPU、NVIDIA GPU（CUDA）、Intel GPU（XPU）和 Apple Silicon（MPS）上运行。