materialyzeai/matgl

解决的问题

MatGL 为材料科学提供了一个专用的图深度学习框架。它解决了对高效代理模型的需求，这些模型能够预测材料性质（如形成能和带隙）并模拟原子的势能面（PES），而原子系统天然地可表示为数学图。

工作原理

该库实现了多种专为原子结构设计的图神经网络（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-键和键角关系以预测原子磁矩的网络。
• 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：用于预测分子和晶体性质的通用图网络。

它以 PyTorch Geometric（PyG）作为主要后端，并提供可选加速功能：通过 NVIDIA Warp（用于 GPU 上的训练和推理）和 JAX（用于跨 CPU、CUDA 和 Apple Silicon 的可移植推理）。

适用人群

专为需要开发、共享或使用深度学习模型来预测材料性质或执行分子动力学（MD）和结构弛豫的材料科学家和研究人员设计。

主要亮点

• 多样化的架构：支持多种前沿 GNN，包括 TensorNet、M3GNet 和 QET。
• 高性能后端：通过 NVIDIA Warp 和 JAX 提供可选加速，显著提升 MD 和弛豫循环的性能。
• LAMMPS 集成：提供原生 pair_style matgl，可在 LAMMPS 模拟器中评估能量、力和体积应力。
• Hugging Face 集成：可轻松从 Hugging Face Hub 加载和发布预训练模型。
• CLI 工具：提供命令行接口，用于快速进行性质预测和结构弛豫。