materialyzeai/matgl

解決的問題

MatGL 提供專為材料科學設計的圖深度學習框架。它解決了對高效代理模型的需求，這些模型能預測材料性質（如形成能與能隙）並模擬原子的勢能面（PES），而原子系統天然可表示為數學圖。

工作原理

該庫實作了多種專為原子結構設計的圖神經網絡（GNN）架構，包括：

• QET：一種考慮電荷轉移的電荷感知等變架構。
• TensorNet：使用笛卡兒張量表示的 O(3) 等變訊息傳遞網路。
• CHGNet：捕捉原子-鍵與鍵角關係，以預測原子磁矩的網路。
• M3GNet：包含三體相互作用的不變網路，可作為週期表範圍內的基礎勢能。
• MEGNet：用於預測分子與晶體性質的通用圖網路。

它以 PyTorch Geometric（PyG）作為主要後端，並提供可選加速功能：透過 NVIDIA Warp（用於 GPU 上的訓練與推論）與 JAX（用於跨 CPU、CUDA 與 Apple Silicon 的可移植推論）。

適用對象

專為需要開發、分享或使用深度學習模型來預測材料性質或執行分子動力學（MD）與結構弛豫的材料科學家與研究人員設計。

主要亮點

• 多樣化的架構：支援多種前沿 GNN，包括 TensorNet、M3GNet 與 QET。
• 高性能後端：透過 NVIDIA Warp 與 JAX 提供可選加速，顯著提升 MD 與弛豫迴圈的效能。
• LAMMPS 集成：提供原生 pair_style matgl，可在 LAMMPS 模擬器中評估能量、力與體積應力。
• Hugging Face 集成：可輕鬆從 Hugging Face Hub 加載與發布預訓練模型。
• CLI 工具：提供命令列介面，用於快速進行性質預測與結構弛豫。