Descripción
El paquete de software Crystal Graph Convolutional Neural Networks (CGCNN) implementa un sofisticado modelo de IA capaz de predecir propiedades de materiales basándose en estructuras cristalinas arbitrarias. Esta herramienta es invaluable para investigadores y desarrolladores en ciencia de materiales que buscan comprender y prever las características de nuevos materiales.
Leer más
CGCNN opera procesando estructuras cristalinas como grafos, donde los átomos son nodos y los enlaces son aristas. Luego se aplican redes neuronales convolucionales a estos grafos para aprender representaciones que se correlacionan con las propiedades del material. El paquete ofrece dos funcionalidades principales: entrenar un modelo CGCNN con un conjunto de datos definido por el usuario y predecir propiedades de materiales para nuevos cristales utilizando un modelo CGCNN pre-entrenado.
Para entrenar un modelo personalizado, los usuarios deben primero definir un conjunto de datos que comprenda archivos CIF para las estructuras cristalinas y un archivo CSV correspondiente (id_prop.csv) que vincule los IDs de los cristales con sus propiedades objetivo. También se requiere un archivo de vector de inicialización (atom_init.json). El proceso de entrenamiento se puede iniciar utilizando el script `main.py`, lo que permite la personalización de las divisiones de datos de entrenamiento, validación y prueba. La salida incluye puntos de control del modelo guardados y resultados de prueba.
Para tareas de predicción, los usuarios necesitan un archivo de modelo CGCNN pre-entrenado (por ejemplo, `pre-trained.pth.tar`) y un conjunto de datos de estructuras cristalinas para las cuales se deben predecir las propiedades. El script `predict.py` toma estas entradas y genera un archivo `test_results.csv` que contiene las propiedades predichas para cada cristal. Esta funcionalidad es crucial para la selección rápida de materiales potenciales y la aceleración del proceso de descubrimiento.
El marco CGCNN se basa en PyTorch y requiere varios prerrequisitos, incluidos scikit-learn y pymatgen. La instalación se simplifica a través de entornos conda. El proyecto es de código abierto, lanzado bajo la Licencia MIT, y es un testimonio de los avances en la aplicación del aprendizaje profundo a los desafíos de la ciencia de materiales.
- CategoríaDescubrimiento científico y herramientas de laboratorio
- Modelo de preciosCódigo abierto
- ImplementaciónNube, Autoalojado
- PlataformasLinux, macOS, Windows
Características principales de CGCNN
Predice propiedades de materiales a partir de estructuras cristalinas
Entrena modelos CGCNN personalizados con conjuntos de datos del usuario
Utiliza modelos CGCNN pre-entrenados para la predicción de propiedades
Procesa estructuras cristalinas como grafos
Soporta tareas de regresión y clasificación
Genera puntos de control del modelo entrenado
Genera resultados de prueba con propiedades predichas
Requiere PyTorch, scikit-learn y pymatgen
Compatible con PyTorch v1.0.0+
Primeros pasos con CGCNN
Configurar entorno: Instalar PyTorch, scikit-learn y pymatgen vía conda.
Definir conjunto de datos: Preparar archivos CIF para estructuras cristalinas y un archivo id_prop.csv.
Entrenar modelo: Ejecutar `python main.py <root_dir>` para entrenar un modelo CGCNN personalizado.
Predecir propiedades: Usar `python predict.py <model_path> <root_dir>` con un modelo pre-entrenado.
Activar entorno: Usar `source activate cgcnn` antes de ejecutar scripts.
Desactivar entorno: Usar `source deactivate` después de finalizar.
Casos de uso de CGCNN
- Predicción de Propiedades de Materiales
- Análisis de Estructuras Cristalinas
- Descubrimiento de Materiales
- Ciencia de Materiales Computacional
- Modelado Predictivo
- Diseño de Materiales Basado en Datos
