materialyzeai/matgl

解决的问题

MatGL 为材料科学中的图深度学习模型开发与使用提供了一个标准化、可扩展的平台。它解决了预测材料性质（如形成能、带隙等）以及构建势能面（PES）代理模型以替代计算成本高昂的模拟的挑战。

工作原理

该库将原子集合表示为数学图，其中原子为节点，化学键为边。它实现了多种先进的图神经网络（GNN）架构，包括：

• QET：一种考虑电荷转移的电荷感知、等变架构。
• TensorNet：使用笛卡尔张量表示的 O(3) 等变消息传递网络。
• CHGNet：捕捉原子键和角度信息以预测 DFT 原子磁矩的网络。
• M3GNet：包含三体相互作用的不变网络，可作为周期表范围内的基础势能。
• MEGNet：用于分子和晶体性质预测的通用图网络。

为优化性能，MatGL 支持多种后端：默认使用 PyTorch Geometric (PyG)，NVIDIA Warp 用于在 NVIDIA GPU 上加速训练和推理，以及 JAX 用于在 CPU、CUDA 和 Apple Silicon 上实现可移植、高速的推理。

适用人群

专为需要使用机器学习原子间势能进行材料性质预测、结构弛豫或分子动力学（MD）模拟的材料科学家和研究人员设计。

主要亮点

• 多样化的架构：支持多种等变与不变 GNN（如 QET、TensorNet、M3GNet 等）。
• 高性能后端：通过 NVIDIA Warp（2-3 倍加速）和 JAX（2-3.5 倍加速）实现可选加速。
• LAMMPS 集成：提供原生 pair_style matgl，可在 LAMMPS 模拟中评估 TensorNet 或 M3GNet 势能。
• Hugging Face 集成：通过 Hugging Face Hub 轻松加载和发布预训练模型。
• CLI 工具：内置命令行接口，用于快速进行性质预测和结构弛豫。