Description
Le package logiciel Crystal Graph Convolutional Neural Networks (CGCNN) implémente un modèle d'IA sophistiqué capable de prédire les propriétés des matériaux sur la base de structures cristallines arbitraires. Cet outil est inestimable pour les chercheurs et les développeurs en science des matériaux qui cherchent à comprendre et à prévoir les caractéristiques de nouveaux matériaux.
Lire la suite
CGCNN fonctionne en traitant les structures cristallines comme des graphes, où les atomes sont des nœuds et les liaisons sont des arêtes. Des réseaux neuronaux convolutifs sont ensuite appliqués à ces graphes pour apprendre des représentations qui corrèlent avec les propriétés des matériaux. Le package offre deux fonctionnalités principales : l'entraînement d'un modèle CGCNN avec un ensemble de données défini par l'utilisateur et la prédiction des propriétés des matériaux pour de nouveaux cristaux à l'aide d'un modèle CGCNN pré-entraîné.
Pour entraîner un modèle personnalisé, les utilisateurs doivent d'abord définir un ensemble de données comprenant des fichiers CIF pour les structures cristallines et un fichier CSV correspondant (id_prop.csv) reliant les identifiants des cristaux à leurs propriétés cibles. Un fichier de vecteur d'initialisation (atom_init.json) est également requis. Le processus d'entraînement peut être lancé à l'aide du script `main.py`, permettant la personnalisation des divisions des données d'entraînement, de validation et de test. La sortie comprend des points de contrôle de modèle sauvegardés et des résultats de test.
Pour les tâches de prédiction, les utilisateurs ont besoin d'un fichier de modèle CGCNN pré-entraîné (par exemple, `pre-trained.pth.tar`) et d'un ensemble de données de structures cristallines pour lesquelles les propriétés doivent être prédites. Le script `predict.py` prend ces entrées et génère un fichier `test_results.csv` contenant les propriétés prédites pour chaque cristal. Cette fonctionnalité est cruciale pour le criblage rapide de matériaux potentiels et l'accélération du processus de découverte.
Le framework CGCNN est basé sur PyTorch et nécessite plusieurs prérequis, notamment scikit-learn et pymatgen. L'installation est simplifiée grâce aux environnements conda. Le projet est open-source, publié sous la licence MIT, et témoigne des avancées dans l'application du deep learning aux défis de la science des matériaux.
- CatégorieDécouverte scientifique et outils de laboratoire
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesLinux, macOS, Windows
Fonctionnalités principales de CGCNN
Prédit les propriétés des matériaux à partir des structures cristallines
Entraîne des modèles CGCNN personnalisés avec des ensembles de données utilisateur
Utilise des modèles CGCNN pré-entraînés pour la prédiction de propriétés
Traite les structures cristallines comme des graphes
Prend en charge les tâches de régression et de classification
Produit des points de contrôle de modèle entraînés
Génère des résultats de test avec les propriétés prédites
Nécessite PyTorch, scikit-learn et pymatgen
Compatible avec PyTorch v1.0.0+
Premiers pas avec CGCNN
Configurer l'environnement : Installer PyTorch, scikit-learn et pymatgen via conda.
Définir l'ensemble de données : Préparer les fichiers CIF pour les structures cristallines et un fichier id_prop.csv.
Entraîner le modèle : Exécuter `python main.py <root_dir>` pour entraîner un modèle CGCNN personnalisé.
Prédire les propriétés : Utiliser `python predict.py <model_path> <root_dir>` avec un modèle pré-entraîné.
Activer l'environnement : Utiliser `source activate cgcnn` avant d'exécuter les scripts.
Désactiver l'environnement : Utiliser `source deactivate` après avoir terminé.
Cas d'utilisation de CGCNN
- Prédiction des propriétés des matériaux
- Analyse des structures cristallines
- Découverte de matériaux
- Science des matériaux computationnelle
- Modélisation prédictive
- Conception de matériaux basée sur les données
