الوصف
تنفذ حزمة برامج شبكات العصبونات الالتفافية الرسومية البلورية (CGCNN) نموذج ذكاء اصطناعي متطور قادر على التنبؤ بخصائص المواد بناءً على هياكل بلورية اعتباطية. هذه الأداة لا تقدر بثمن للباحثين والمطورين في علوم المواد الذين يسعون إلى فهم وتوقع خصائص المواد الجديدة.
قراءة المزيد
تعمل CGCNN عن طريق معالجة الهياكل البلورية كرسوم بيانية، حيث تكون الذرات عقدًا والروابط حواف. ثم يتم تطبيق شبكات العصبونات الالتفافية على هذه الرسوم البيانية لتعلم تمثيلات ترتبط بخصائص المواد. تقدم الحزمة وظيفتين أساسيتين: تدريب نموذج CGCNN باستخدام مجموعة بيانات محددة من قبل المستخدم، والتنبؤ بخصائص المواد للبلورات الجديدة باستخدام نموذج CGCNN مدرب مسبقًا.
لتدريب نموذج مخصص، يجب على المستخدمين أولاً تحديد مجموعة بيانات تتكون من ملفات CIF للهياكل البلورية وملف CSV مطابق (id_prop.csv) يربط معرفات البلورات بخصائصها المستهدفة. يلزم أيضًا ملف متجه تهيئة (atom_init.json). يمكن بدء عملية التدريب باستخدام البرنامج النصي `main.py`، مما يسمح بتخصيص تقسيمات بيانات التدريب والتحقق والاختبار. يتضمن الناتج نقاط فحص النموذج المحفوظة ونتائج الاختبار.
للمهام التنبؤية، يحتاج المستخدمون إلى ملف نموذج CGCNN مدرب مسبقًا (على سبيل المثال، `pre-trained.pth.tar`) ومجموعة بيانات للهياكل البلورية التي سيتم التنبؤ بخصائصها. يأخذ البرنامج النصي `predict.py` هذه المدخلات وينشئ ملف `test_results.csv` يحتوي على الخصائص المتنبأ بها لكل بلورة. هذه الوظيفة ضرورية للفحص السريع للمواد المحتملة وتسريع عملية الاكتشاف.
يعتمد إطار عمل CGCNN على PyTorch ويتطلب العديد من المتطلبات الأساسية، بما في ذلك scikit-learn و pymatgen. يتم تبسيط التثبيت من خلال بيئات conda. المشروع مفتوح المصدر، تم إصداره بموجب ترخيص MIT، وهو شهادة على التقدم في تطبيق التعلم العميق لتحديات علوم المواد.
- الفئةالاكتشاف العلمي وأدوات المختبر
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتLinux, macOS, Windows
الميزات الأساسية لـ CGCNN
يتنبأ بخصائص المواد من الهياكل البلورية
يدرب نماذج CGCNN مخصصة باستخدام مجموعات بيانات المستخدم
يستخدم نماذج CGCNN مدربة مسبقًا للتنبؤ بالخصائص
يعالج الهياكل البلورية كرسوم بيانية
يدعم مهام الانحدار والتصنيف
ينتج نقاط فحص للنماذج المدربة
ينشئ نتائج اختبار بخصائص متنبأ بها
يتطلب PyTorch و scikit-learn و pymatgen
متوافق مع PyTorch v1.0.0+
البدء مع CGCNN
إعداد البيئة: قم بتثبيت PyTorch و scikit-learn و pymatgen عبر conda.
تحديد مجموعة البيانات: قم بإعداد ملفات CIF للهياكل البلورية وملف id_prop.csv.
تدريب النموذج: قم بتشغيل `python main.py <root_dir>` لتدريب نموذج CGCNN مخصص.
التنبؤ بالخصائص: استخدم `python predict.py <model_path> <root_dir>` مع نموذج مدرب مسبقًا.
تنشيط البيئة: استخدم `source activate cgcnn` قبل تشغيل البرامج النصية.
إلغاء تنشيط البيئة: استخدم `source deactivate` بعد الانتهاء.
حالات استخدام CGCNN
- التنبؤ بخصائص المواد
- تحليل الهياكل البلورية
- اكتشاف المواد
- علوم المواد الحاسوبية
- النمذجة التنبؤية
- تصميم المواد المعتمد على البيانات
