CederGroupHub/chgnet

解決的問題

CHGNet 是一種針對材料原子論建模設計的預訓練通用神經網路勢函數。它透過提供一種快速且接近 DFT 精度的替代方案，解決了密度泛函理論（DFT）計算成本高昂的問題，能夠對週期表中各類晶體結構的能量、力、應力和磁矩進行高效預測。

工作原理

CHGNet 是一種在 Materials Project 軌跡（MPtrj）資料集上預訓練的晶體哈密頓圖神經網路（CHGNet），該資料集包含來自 14.6 萬種化合物的超過 150 萬種結構。模型透過 DFT 磁矩對原子特徵進行正則化，以更好地捕捉電子相互作用和電荷分佈，從而實現電荷資訊驅動的建模。

適用對象

需要在不承擔傳統 DFT 計算高成本的前提下，快速進行結構最佳化、分子動力學（MD）模擬和材料穩定性預測的材料科學與計算化學研究人員。

主要亮點

• 通用勢函數：在涵蓋整個週期表的大規模資料集上預訓練。
• 多性質預測：可預測能量、力、應力和磁矩（magmom）。
• 整合支援：可與 ASE（Atomic Simulation Environment）和 LAMMPS 配合用於分子動力學模擬。
• 微調支援：支援在自訂資料集上進行微調，以提高特定系統的預測精度。
• 硬體相容：支援在 CPU、NVIDIA GPU（CUDA）、Intel GPU（XPU）和 Apple Silicon（MPS）上執行。