Beschreibung
Das Softwarepaket Crystal Graph Convolutional Neural Networks (CGCNN) implementiert ein hochentwickeltes KI-Modell, das Materialeigenschaften auf Basis beliebiger Kristallstrukturen vorhersagen kann. Dieses Werkzeug ist für Forscher und Entwickler in der Materialwissenschaft, die die Eigenschaften neuer Materialien verstehen und prognostizieren möchten, von unschätzbarem Wert.
Weiterlesen
CGCNN verarbeitet Kristallstrukturen als Graphen, wobei Atome Knoten und Bindungen Kanten darstellen. Anschließend werden Convolutional Neural Networks auf diese Graphen angewendet, um Repräsentationen zu lernen, die mit Materialeigenschaften korrelieren. Das Paket bietet zwei Hauptfunktionen: das Trainieren eines CGCNN-Modells mit einem benutzerdefinierten Datensatz und die Vorhersage von Materialeigenschaften für neue Kristalle unter Verwendung eines vortrainierten CGCNN-Modells.
Um ein benutzerdefiniertes Modell zu trainieren, müssen Benutzer zunächst einen Datensatz definieren, der CIF-Dateien für Kristallstrukturen und eine entsprechende CSV-Datei (id_prop.csv) enthält, die Kristall-IDs mit ihren Ziel-Eigenschaften verknüpft. Eine Initialisierungsvektor-Datei (atom_init.json) ist ebenfalls erforderlich. Der Trainingsprozess kann mit dem Skript `main.py` gestartet werden, was die Anpassung der Aufteilung von Trainings-, Validierungs- und Testdaten ermöglicht. Die Ausgabe umfasst gespeicherte Modell-Checkpoints und Testergebnisse.
Für Vorhersageaufgaben benötigen Benutzer eine vortrainierte CGCNN-Modell-Datei (z. B. `pre-trained.pth.tar`) und einen Datensatz von Kristallstrukturen, für die Eigenschaften vorhergesagt werden sollen. Das Skript `predict.py` nimmt diese Eingaben entgegen und generiert eine Datei `test_results.csv` mit den vorhergesagten Eigenschaften für jeden Kristall. Diese Funktionalität ist entscheidend für das schnelle Screening potenzieller Materialien und die Beschleunigung des Entdeckungsprozesses.
Das CGCNN-Framework basiert auf PyTorch und erfordert mehrere Voraussetzungen, darunter scikit-learn und pymatgen. Die Installation ist über Conda-Umgebungen vereinfacht. Das Projekt ist Open-Source, veröffentlicht unter der MIT-Lizenz, und zeugt von Fortschritten bei der Anwendung von Deep Learning auf Herausforderungen in der Materialwissenschaft.
- KategorieWissenschaftliche Entdeckung & Laborwerkzeuge
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenLinux, macOS, Windows
CGCNN's Kernfunktionen
Sagt Materialeigenschaften aus Kristallstrukturen voraus
Trainiert benutzerdefinierte CGCNN-Modelle mit Benutzerdatensätzen
Nutzt vortrainierte CGCNN-Modelle zur Eigenschaftsvorhersage
Verarbeitet Kristallstrukturen als Graphen
Unterstützt sowohl Regressions- als auch Klassifizierungsaufgaben
Gibt trainierte Modell-Checkpoints aus
Generiert Testergebnisse mit vorhergesagten Eigenschaften
Erfordert PyTorch, scikit-learn und pymatgen
Kompatibel mit PyTorch v1.0.0+
Erste Schritte mit CGCNN
Umgebung einrichten: Installieren Sie PyTorch, scikit-learn und pymatgen über conda.
Datensatz definieren: Bereiten Sie CIF-Dateien für Kristallstrukturen und eine id_prop.csv-Datei vor.
Modell trainieren: Führen Sie `python main.py <root_dir>` aus, um ein benutzerdefiniertes CGCNN-Modell zu trainieren.
Eigenschaften vorhersagen: Verwenden Sie `python predict.py <model_path> <root_dir>` mit einem vortrainierten Modell.
Umgebung aktivieren: Verwenden Sie `source activate cgcnn`, bevor Sie Skripte ausführen.
Umgebung deaktivieren: Verwenden Sie `source deactivate`, nachdem Sie fertig sind.
CGCNN's Anwendungsfälle
- Vorhersage von Materialeigenschaften
- Analyse von Kristallstrukturen
- Materialentdeckung
- Computergestützte Materialwissenschaft
- Prädiktive Modellierung
- Datengetriebenes Materialdesign
