السكين السويسري بسيط: هيكل واحد، شفرات متعددة، كل شفرة لمهمتها. تسحب ما تحتاجه وتعمل. في علم المواد، ظلت الشبكات العصبية الرسومية لفترة طويلة تشبه أدوات متناثرة: MEGNet في درج TensorFlow، وM3GNet في درج PyTorch، وCHGNet في صندوق منفصل ببرامجه الخاصة. لنقل نموذج إلى بيانات جديدة أو مقارنة البنى، كان عليك ابتكار محولات. مكتبة MatGL تجمع هذه الشفرات في هيكل واحد.

في الداخل خمس بنى: MEGNet وM3GNet وCHGNet وTensorNet وSO3Net. وهي مبنية من وحدات مشتركة: طبقات، وتجميع، ودوال تنشيط. هذا مثل سكين بآلية مشتركة: يتغير شكل الشفرة فقط. يتم التدريب عبر PyTorch Lightning، مما يسمح بتوسيع نطاق الحسابات على عدة وحدات GPU. بالنسبة للإمكانات الذرية، وهي دوال تتنبأ بالطاقة من مواقع الذرات، تم تنفيذ فئة Potential. وهي تراعي تلقائيًا تطبيع الطاقات وتحسب القوى والإجهادات وهسيان (Hessians) عبر التفاضل التلقائي. واجهات ASE وLAMMPS تتيح تشغيل استرخاء البنية والديناميكا الجزيئية بأمر واحد.

تُظهر المعايير على أربع مجموعات بيانات أن MatGL يعيد إنتاج دقة النماذج الأصلية. على QM9، خطأ التنبؤ بالطاقة الحرة لـ M3GNet هو 0.025 إلكترون فولت، ولـ TensorNet 0.027 إلكترون فولت، ولـ SO3Net 0.025 إلكترون فولت؛ بينما MEGNet يتخلف مع 0.037 إلكترون فولت. على Matbench لطاقة التكوين، تعطي M3GNet وTensorNet وSO3Net خطأ 0.020-0.024 إلكترون فولت/ذرة، بينما MEGNet يعطي 0.037 إلكترون فولت/ذرة. بالنسبة للإمكانات على ANI-1x، يحقق SO3Net المتغير خطأ في القوى يبلغ 0.035 إلكترون فولت/أنجستروم مقابل 0.075 إلكترون فولت/أنجستروم لـ M3GNet مع نقل التعلم. على البلورات من Materials Project، يتفوق CHGNet على M3GNet وTensorNet: خطأ في الطاقة 19.9 ميلي إلكترون فولت/ذرة مقابل 23.0 و30.3 ميلي إلكترون فولت/ذرة. سرعة الاستدلال لـ TensorNet على QM9 هي 14.9 ثانية لكل 6541 جزيءًا على RTX 3090 واحدة، ولـ MEGNet 12 ثانية، ولكن بدقة أسوأ.

سابقًا، كان كل نموذج رسومي للمواد موجودًا في مستودعه الخاص بتنسيق بياناته الخاص وطريقته الخاصة في التدريب. الآن ظهرت مكتبة موحدة حيث تعمل البنى الخمس والإمكانات المدربة مسبقًا وواجهات المحاكيات عبر واجهة برمجة تطبيقات مشتركة. تم تجميع الطبقات المعيارية وخطوط أنابيب البيانات فوق DGL وPyTorch Lightning، ثم تم تشغيل جميع النماذج عبر معايير متطابقة. يمكن لعلماء المواد الآن تشغيل تنبؤات الخصائص والديناميكا الجزيئية مباشرة دون الخوض في تفاصيل كل بنية. هذا يخفض حاجز الدخول للمجربين ويسرع قابلية إعادة الإنتاج. على عكس الأعمال المجاورة التي تركز على بنية واحدة أو على التعلم المعزز، تقدم MatGL خمسة نماذج دفعة واحدة وتربطها بـ ASE وLAMMPS، مما يحول المكتبة إلى منصة لدورة كاملة، من البيانات إلى الديناميكا الجزيئية.

الخطوة التالية هي دعم التدريب متعدد المعالجات على عدة وحدات GPU والعمل مع قواعد بيانات تتجاوز ملايين البنى. يخطط المؤلفون لاستخدام قواعد بيانات معينة بالذاكرة (memory-mapped) لتخزين الرسوم البيانية، لإزالة قيود الذاكرة. سيسمح هذا بتدريب إمكانات عامة على كامل حجم Materials Project وتشغيل الديناميكا الجزيئية لأنظمة تضم مئات الآلاف من الذرات. السكين السويسري لا يبقى في الدرج، بل يُفتح لمهام جديدة.