説明
Crystal Graph Convolutional Neural Networks (CGCNN) ソフトウェアパッケージは、任意の結晶構造に基づいて材料の特性を予測できる高度なAIモデルを実装しています。このツールは、新しい材料の特性を理解し予測しようとする材料科学の研究者や開発者にとって非常に価値があります。
続きを読む
CGCNNは、結晶構造をグラフとして処理することで機能します。原子はノード、結合はエッジとして扱われます。その後、これらのグラフに畳み込みニューラルネットワークを適用して、材料の特性と相関する表現を学習します。このパッケージは、ユーザー定義のデータセットでCGCNNモデルをトレーニングする機能と、事前トレーニング済みのCGCNNモデルを使用して新しい結晶の材料特性を予測する機能という、2つの主要な機能を提供します。
カスタムモデルをトレーニングするには、まず結晶構造のCIFファイルと、結晶IDとそのターゲット特性をリンクする対応するCSVファイル（id_prop.csv）で構成されるデータセットを定義する必要があります。初期化ベクトルファイル（atom_init.json）も必要です。トレーニングプロセスは `main.py` スクリプトを使用して開始でき、トレーニング、検証、テストデータの分割をカスタマイズできます。出力には、保存されたモデルチェックポイントとテスト結果が含まれます。
予測タスクの場合、ユーザーは事前トレーニング済みのCGCNNモデルファイル（例: `pre-trained.pth.tar`）と、特性を予測したい結晶構造のデータセットが必要です。`predict.py` スクリプトはこれらの入力を受け取り、各結晶の予測特性を含む `test_results.csv` ファイルを生成します。この機能は、潜在的な材料の迅速なスクリーニングと発見プロセスの加速に不可欠です。
CGCNNフレームワークはPyTorch上に構築されており、scikit-learnやpymatgenなどのいくつかの前提条件が必要です。インストールはconda環境を通じて合理化されています。このプロジェクトはオープンソースであり、MITライセンスの下でリリースされており、深層学習を材料科学の課題に応用する上での進歩の証です。
- カテゴリー科学的発見・ラボツール
- 料金モデルオープンソース
- デプロイクラウド, セルフホスト
- プラットフォームLinux, macOS, Windows
CGCNNの主要機能
結晶構造から材料の特性を予測
ユーザーデータセットでカスタムCGCNNモデルをトレーニング
特性予測のために事前トレーニング済みCGCNNモデルを利用
結晶構造をグラフとして処理
回帰タスクと分類タスクの両方をサポート
トレーニング済みモデルのチェックポイントを出力
予測特性を含むテスト結果を生成
PyTorch、scikit-learn、pymatgenが必要
PyTorch v1.0.0+と互換性あり
CGCNNをはじめる
環境設定: condaを使用してPyTorch、scikit-learn、pymatgenをインストールします。
データセット定義: 結晶構造のCIFファイルとid_prop.csvファイルを用意します。
モデルトレーニング: `python main.py <root_dir>` を実行してカスタムCGCNNモデルをトレーニングします。
特性予測: 事前トレーニング済みモデルを使用して `python predict.py <model_path> <root_dir>` を実行します。
環境のアクティベート: スクリプトを実行する前に `source activate cgcnn` を使用します。
環境のディアクティベート: 終了後に `source deactivate` を使用します。
CGCNNの使用例
- 材料特性予測
- 結晶構造解析
- 材料発見
- 計算材料科学
- 予測モデリング
- データ駆動型材料設計
