AtomNet：融合物理先验的图神经网络晶体性质预测框架

AtomNet是基于物理信息图神经网络的晶体材料性质预测框架，由JieCoa团队开发并发表于npj Computational Materials期刊。它通过引入原子电负性、多项式特征工程等技术，解决传统DFT计算成本高的瓶颈，在多个材料数据集上实现高精度预测，兼具物理可解释性与工程实用性，已开源供研究者使用。

晶体材料性质预测是材料科学核心挑战。传统密度泛函理论（DFT）计算精度高但成本昂贵，难以大规模应用。近年图神经网络（GNN）在该领域潜力巨大，但如何有效融入物理先验知识仍是关键难题。

框架概述

AtomNet是开源框架，核心设计思想是在消息传递中保持物理一致性，增强模型表达能力。

物理信息嵌入

引入原子电负性（Sanderson Electronegativity）作为边特征、元素周期表属性构建节点初始特征、径向基函数（RBF）核处理距离特征。

消息传递架构

支持边特征更新控制（如limitedUpdateEdge参数提升带隙预测性能）、多项式特征扩展、邻居采样策略。

可解释性

集成Captum库，可视化原子特征对预测结果的贡献度。

数据集与预训练模型

支持Jarvis DFT 3D 2021、Materials Project 2018（MEGNet）等数据集，提供五个标准任务的预训练模型，数据预处理代码在loader.py中。

实验配置

可调参数包括electronegativity_type（多种RBF变体）、envelope_type（权重函数）、usePolynomial（推荐设为3）等；带隙预测任务中limitedUpdateEdge=3+4层AtomNet Layer获最优MAE。

训练追踪

深度集成Weights & Biases（wandb）支持实验追踪，也可离线训练。

AtomNet为研究者提供开箱即用工具：

• 加速材料筛选：推理速度较DFT提升数个数量级
• 多任务支持：覆盖带隙、形成能、弹性模量等性质
• 可解释性：帮助理解材料性质微观起源
• 易扩展：模块化设计便于集成新物理约束与特征方法

AtomNet是物理信息机器学习在材料科学的成功实践，融合化学直觉与深度学习，兼顾精度与可解释性。对计算材料学、能源材料研发人员提供学术严谨且实用的开源工具。项目代码与预训练模型已在GitHub和Zenodo开源，支持Python3.11+和PyTorch2.1+环境。