Deskripsi
Paket perangkat lunak Crystal Graph Convolutional Neural Networks (CGCNN) mengimplementasikan model AI canggih yang mampu memprediksi properti material berdasarkan struktur kristal arbitrer. Alat ini sangat berharga bagi para peneliti dan pengembang dalam ilmu material yang ingin memahami dan memperkirakan karakteristik material baru.
Baca Selengkapnya
CGCNN beroperasi dengan memproses struktur kristal sebagai graf, di mana atom adalah node dan ikatan adalah edge. Jaringan saraf konvolusional kemudian diterapkan pada graf ini untuk mempelajari representasi yang berkorelasi dengan properti material. Paket ini menawarkan dua fungsionalitas utama: melatih model CGCNN dengan dataset yang ditentukan pengguna dan memprediksi properti material untuk kristal baru menggunakan model CGCNN yang sudah dilatih sebelumnya.
Untuk melatih model kustom, pengguna harus terlebih dahulu mendefinisikan dataset yang terdiri dari file CIF untuk struktur kristal dan file CSV yang sesuai (id_prop.csv) yang menghubungkan ID kristal dengan properti targetnya. File vektor inisialisasi (atom_init.json) juga diperlukan. Proses pelatihan dapat dimulai menggunakan skrip `main.py`, yang memungkinkan kustomisasi pembagian data pelatihan, validasi, dan pengujian. Outputnya mencakup checkpoint model yang disimpan dan hasil pengujian.
Untuk tugas prediksi, pengguna memerlukan file model CGCNN yang sudah dilatih sebelumnya (misalnya, `pre-trained.pth.tar`) dan dataset struktur kristal yang propertinya akan diprediksi. Skrip `predict.py` mengambil input ini dan menghasilkan file `test_results.csv` yang berisi properti yang diprediksi untuk setiap kristal. Fungsionalitas ini sangat penting untuk penyaringan cepat material potensial dan mempercepat proses penemuan.
Kerangka kerja CGCNN dibangun di atas PyTorch dan memerlukan beberapa prasyarat, termasuk scikit-learn dan pymatgen. Instalasi disederhanakan melalui lingkungan conda. Proyek ini bersifat open-source, dirilis di bawah Lisensi MIT, dan merupakan bukti kemajuan dalam menerapkan deep learning pada tantangan ilmu material.
- KategoriPenemuan Ilmiah & Alat Laboratorium
- Model HargaOpen source
- PenerapanCloud, Di-host sendiri
- PlatformLinux, macOS, Windows
Fitur Inti CGCNN
Memprediksi properti material dari struktur kristal
Melatih model CGCNN kustom dengan dataset pengguna
Menggunakan model CGCNN yang sudah dilatih sebelumnya untuk prediksi properti
Memproses struktur kristal sebagai graf
Mendukung tugas regresi dan klasifikasi
Menghasilkan checkpoint model yang terlatih
Menghasilkan hasil pengujian dengan properti yang diprediksi
Memerlukan PyTorch, scikit-learn, dan pymatgen
Kompatibel dengan PyTorch v1.0.0+
Memulai dengan CGCNN
Siapkan lingkungan: Instal PyTorch, scikit-learn, dan pymatgen melalui conda.
Definisikan dataset: Siapkan file CIF untuk struktur kristal dan file id_prop.csv.
Latih model: Jalankan `python main.py <root_dir>` untuk melatih model CGCNN kustom.
Prediksi properti: Gunakan `python predict.py <model_path> <root_dir>` dengan model yang sudah dilatih sebelumnya.
Aktifkan lingkungan: Gunakan `source activate cgcnn` sebelum menjalankan skrip.
Nonaktifkan lingkungan: Gunakan `source deactivate` setelah selesai.
Kasus Penggunaan CGCNN
- Prediksi Properti Material
- Analisis Struktur Kristal
- Penemuan Material
- Ilmu Material Komputasi
- Pemodelan Prediktif
- Desain Material Berbasis Data
