Описание
Пакет программ Crystal Graph Convolutional Neural Networks (CGCNN) реализует сложную модель ИИ, способную прогнозировать свойства материалов на основе произвольных кристаллических структур. Этот инструмент бесценен для исследователей и разработчиков в области материаловедения, стремящихся понять и предсказать характеристики новых материалов.
CGCNN работает, обрабатывая кристаллические структуры как графы, где атомы являются узлами, а связи — ребрами. Затем к этим графам применяются сверточные нейронные сети для обучения представлений, которые коррелируют со свойствами материалов. Пакет предлагает две основные функциональные возможности: обучение модели CGCNN на пользовательском наборе данных и прогнозирование свойств материалов для новых кристаллов с использованием предварительно обученной модели CGCNN.
Для обучения пользовательской модели необходимо сначала определить набор данных, состоящий из файлов CIF для кристаллических структур и соответствующего файла CSV (id_prop.csv), связывающего идентификаторы кристаллов с их целевыми свойствами. Также требуется файл инициализации (atom_init.json). Процесс обучения может быть запущен с помощью скрипта `main.py`, что позволяет настраивать разделение данных на обучающие, валидационные и тестовые. Результатом являются сохраненные контрольные точки модели и результаты тестирования.
Для задач прогнозирования пользователям необходим файл предварительно обученной модели CGCNN (например, `pre-trained.pth.tar`) и набор данных кристаллических структур, для которых необходимо предсказать свойства. Скрипт `predict.py` принимает эти входные данные и генерирует файл `test_results.csv`, содержащий прогнозируемые свойства для каждого кристалла. Эта функциональность имеет решающее значение для быстрой оценки потенциальных материалов и ускорения процесса открытия.
Фреймворк CGCNN построен на основе PyTorch и требует нескольких предварительных условий, включая scikit-learn и pymatgen. Установка оптимизирована через среды conda. Проект является открытым исходным кодом, выпущен под лицензией MIT и является свидетельством достижений в применении глубокого обучения к задачам материаловедения.
Главное о CGCNN
Прогнозирует свойства материалов на основе кристаллических структур
Обучает пользовательские модели CGCNN на пользовательских наборах данных
Использует предварительно обученные модели CGCNN для прогнозирования свойств
Обрабатывает кристаллические структуры как графы
Поддерживает как задачи регрессии, так и классификации
Выдает контрольные точки обученной модели
Генерирует результаты тестирования с прогнозируемыми свойствами
Требует PyTorch, scikit-learn и pymatgen
Совместим с PyTorch v1.0.0+
Начало работы с CGCNN
Настройка среды: Установите PyTorch, scikit-learn и pymatgen через conda.
Определение набора данных: Подготовьте файлы CIF для кристаллических структур и файл id_prop.csv.
Обучение модели: Запустите `python main.py <root_dir>` для обучения пользовательской модели CGCNN.
Прогнозирование свойств: Используйте `python predict.py <model_path> <root_dir>` с предварительно обученной моделью.
Активация среды: Используйте `source activate cgcnn` перед запуском скриптов.
Деактивация среды: Используйте `source deactivate` после завершения.
Варианты использования CGCNN
- Прогнозирование свойств материалов
- Анализ кристаллических структур
- Открытие новых материалов
- Вычислительное материаловедение
- Прогнозное моделирование
- Проектирование материалов на основе данных
