概览
CHGNet（Crystal Hamiltonian Graph neural Network）是一种用于材料建模的预训练原子间势。其融合电荷信息的表示利用 DFT 磁矩对原子特征进行正则化，将局部环境与电荷分布信息联系起来。README 描述了基于 Materials Project 的 GGA/GGA+U 静态计算和弛豫轨迹进行预训练。Materials Project 提供上游训练数据；CHGNet 则是预测模型及配套软件，并非数据库本身。
对于直接推理，文档所述工作流接受 pymatgen Structure（包括从 CIF 文件加载的结构），并返回每原子能量、原子力、应力和逐位点磁矩。结构优化会生成弛豫后的结构，以及包含能量的轨迹。分子动力学通过 ASE 接口运行，并另行链接了 LAMMPS 集成；ASE 轨迹文件可用于后续分析。仓库还介绍了使用带标签的结构、能量、力、应力和磁矩进行微调，并链接了使用 atomate2 进行声子和弹性性质工作流的示例。
选择检查点和训练标签约定都很重要。README 区分了 MPtrj 预训练检查点和经 R2SCAN 迁移学习的模型，并规定微调时使用每原子能量目标。README 建议采用一致的 Materials Project 能量修正，并在更改泛函时重新拟合 AtomRef。该仓库被描述为旧版实现，未来功能开发有限：较新的实现和 MatPES 检查点位于 MatGL 中。上述文档所述能力并不能证明模型对某种特定材料或模拟条件具有准确性；针对具体应用的验证仍应作为评估步骤。
主要功能
- 根据晶体结构预测能量（eV/atom）、力（eV/Å）、应力（GPa）和逐位点磁矩。
- 提供结构弛豫，输出最终结构、能量轨迹和逐位点磁矩，可用于潜在的 DFT 初始化。
- 通过 ASE 支持分子动力学并保存轨迹以供分析，同时链接了单独的 LAMMPS 集成。
- 提供 MPtrj 预训练检查点和经 R2SCAN 迁移学习的检查点，并说明了加载选项。
- 通过 StructureData 和 Trainer 支持训练与微调，包括能量归一化、修正项和应力单位方面的指导。
- 链接了使用 atomate2 进行有限位移声子计算和应力–应变弹性性质计算的示例。
使用场景
- 预期评估用途：对候选晶体结构进行预弛豫，并评估预测磁矩能否作为自旋极化 DFT 计算的初始值。
- 预期评估用途：在 ASE 分子动力学中探索结构演化和磁矩变化，并将有代表性的构型与参考计算进行核对。
- 预期评估用途：使用标注一致的 DFT 数据和留出的验证结构，为选定材料体系微调预训练检查点。
- 预期评估用途：调整所链接的 atomate2 示例以研究声子谱或弹性性质，并针对目标材料验证结果。
使用方式
- 阅读仓库 README和API 文档。留意其旧版开发状态，并判断此实现或所链接的 MatGL 实现是否适合你的工作流。
- 按照 README 中的安装说明设置 Python 3.10 或更高版本的环境。根据检查点的训练基础选择有文档说明的检查点，不要将所有预训练模型视为可互换。
- 阅读 CHGNet Basics。加载有代表性的晶体结构，并检查预测的能量、力、应力和磁矩，同时保留文档标明的单位。
- 使用同一笔记本查看弛豫或分子动力学输出。作为预期评估步骤，在扩大研究范围之前，将选定结构和预测结果与适当的参考计算进行比较。
- 如需针对特定体系进行适配，请参考 Tuning CHGNet。准备每原子能量标签，检查修正项和泛函的一致性，并留出验证集和测试集。如使用 MPtrj，请另行查看所链接的 Materials Project 条款，并将其与仓库代码许可区分开来。