一句话定位

CHGNet（Crystal Hamiltonian Graph Network）是第一个把氧化态（电荷）和磁序纳入预测的通用势。它由 UC Berkeley 的 Ceder 组（Bowen Deng, Peichen Zhong, 等）于 2023 年提出，在 M3GNet 的遗产上走出了一条”电荷感知”的差异化路线。

核心思想：显式建模电荷与磁序

M3GNet 证明了通用势可行，但暴露了一个物理盲点：它看不见电荷。同一个元素在不同的氧化态下化学行为截然不同——$\mathrm{Fe}^{2+}$ 与 $\mathrm{Fe}^{3+}$、$\mathrm{Li}^+$ 与 $\mathrm{Li}^0$——而标准的元素 one-hot 嵌入完全无法区分。

CHGNet 的回答是：把氧化态变成模型需要预测的量。它利用 Materials Project 的磁序标注信息，显式地学习每个原子的局域磁矩（对应电荷分配的指纹），从而让模型能够感知氧化态的变化。对锂离子电池正极这类强氧化态依赖的体系，这是决定性的能力。

架构：G2 + 三输出头

CHGNet 的主体是 Ceder 组的 G2（Graph Neural Network v2） 架构——一个两代演进后的消息传递网络，引入截断半径内的邻居图构建与连续特征更新。

它的输出是：

  1. 能量：从节点表示池化，按原子局域能量分解；
  2. 力：能量梯度（保守力，直接改进 M3GNet 的直接力缺陷）；
  3. 磁矩：每个原子的局域磁矩标量（电荷感知的关键通道）。

训练时能量-力-磁矩联合监督。磁矩头不仅服务于物理兴趣，更充当了”元素+电荷环境”的强特征，迫使中间表示编码氧化态信息。

Hubbard U 校正

这是 CHGNet 最容易被忽略、却对实践者最重要的细节。

DFT 用 PBE 泛函计算含 $d/f$ 电子的过渡金属氧化物时，强关联电子自相互作用会导致严重的系统性误差——形成能偏正、磁性错误。Materials Project 的标准流程（PBE+U）在部分计算上施加了 Hubbard U 修正，但 MPtrj 数据集里的标签并不统一标注 U 修正。

CHGNet 的处理：训练时识别并利用施加了 U 修正的标签，使模型学到的能量基准与 MP 的 PBE+U 结果一致。这让它的能量误差在过渡金属氧化物上显著优于未做校正的同类模型——这是通用势领域第一个认真处理”训练标签理论水平不一致”的工作。

这个细节也回应了一个更广的问题（见 通用势的数据集版图）：通用势训练数据的理论水平标签参差不齐，如何处理这种”脏标签”几乎决定了模型在下游的可靠性。

榜单成绩

在 MatBench Discovery 榜单上（数据截至 2026-09-23）：

指标 值
CPS 0.400
F1（稳定性分类） 0.613
能量 MAE 0.063 eV/atom
预测目标 EFSGM（能量+力+应力+磁矩）
参数 413k

它的 F1 在 2023 年发布时是当时的 SOTA（超过 M3GNet 的 0.569），今天看仍作为电池材料研究社区的实际默认选择在使用——因为榜单分数（无机晶体稳定性）不是它的主战场，电荷感知才是。

数据清洗的特殊性

CHGNet 的训练集是 MPtrj，但它没有清洗数据——它做的是”标签理论水平对齐”（对 U 校正标签归一化），而不是删除/过滤构型。这与后续很多模型动辄剔除异常构型的做法形成对照。值得注意的事实（详见 通用势的数据集版图 的调研）：几乎所有主流通用势都不清洗 MPtrj，CHGNet 是唯一做了系统能量校正的模型。

局限与影响

局限：

  1. 磁矩是标量近似——真实磁矩是矢量，标量预测能反映氧化态，但丢掉了自旋取向信息；
  2. 参数量偏小（413k），中间表示的表达力有限；
  3. 榜单分数不高——但如前所述，它服务的是电荷敏感场景而非稳定性冲榜。

影响：

  • 开创了”电荷感知”这一维度，AlphaNet、DPA-3 等都吸收了类似思想；
  • 它的 U 校正实践，是”训练标签理论水平对齐”的示范案例；
  • 与 M3GNet：全周期表通用势的开山之作 一起构成通用势第一代的完整双主角。

参考文献

  1. Deng, B., Zhong, P., Jun, K., Riebesell, J., Han, K., Bartel, C. J., Ceder, G. CHGNet as a pretrained universal neural network potential for charge-informed atomistic modelling. Nat. Mach. Intell. 5, 1031-1041 (2023). arXiv:2302.14231.
  2. Chen, C., Ong, S. P. A universal graph deep learning interatomic potential for the periodic table. arXiv:2202.02450 (M3GNet，本文架构基础).