描述
晶体图卷积神经网络 (CGCNN) 软件包实现了一个复杂的 AI 模型，能够根据任意晶体结构预测材料属性。该工具对于材料科学领域的研究人员和开发人员来说非常宝贵，他们希望了解和预测新材料的特性。
阅读更多
CGCNN 的工作原理是将晶体结构视为图，其中原子是节点，键是边。然后将卷积神经网络应用于这些图，以学习与材料属性相关的表示。该软件包提供两种主要功能：使用用户定义的数据集训练 CGCNN 模型，以及使用预训练的 CGCNN 模型预测新晶体的材料属性。
要训练自定义模型，用户必须首先定义一个包含晶体结构的 CIF 文件和一个相应的 CSV 文件 (id_prop.csv)，该文件将晶体 ID 与其目标属性关联起来。还需要一个初始化向量文件 (atom_init.json)。可以使用 `main.py` 脚本启动训练过程，从而可以自定义训练、验证和测试数据拆分。输出包括保存的模型检查点和测试结果。
对于预测任务，用户需要一个预训练的 CGCNN 模型文件（例如 `pre-trained.pth.tar`）以及一个需要预测属性的晶体结构数据集。`predict.py` 脚本接受这些输入并生成一个 `test_results.csv` 文件，其中包含每个晶体的预测属性。此功能对于快速筛选潜在材料和加速发现过程至关重要。
CGCNN 框架基于 PyTorch 构建，需要几个先决条件，包括 scikit-learn 和 pymatgen。通过 conda 环境可以简化安装。该项目是开源的，根据 MIT 许可证发布，是应用深度学习解决材料科学挑战方面进步的证明。
- 类别科学发现与实验室工具
- 定价模式开源
- 部署云端, 自托管
- 平台Linux, macOS, Windows
CGCNN的核心功能
根据晶体结构预测材料属性
使用用户数据集训练自定义 CGCNN 模型
利用预训练的 CGCNN 模型进行属性预测
将晶体结构处理为图
支持回归和分类任务
输出训练好的模型检查点
生成包含预测属性的测试结果
需要 PyTorch、scikit-learn 和 pymatgen
兼容 PyTorch v1.0.0+
CGCNN入门
设置环境：通过 conda 安装 PyTorch、scikit-learn 和 pymatgen。
定义数据集：准备晶体结构的 CIF 文件和 id_prop.csv 文件。
训练模型：运行 `python main.py <root_dir>` 来训练自定义 CGCNN 模型。
预测属性：使用预训练模型运行 `python predict.py <model_path> <root_dir>`。
激活环境：在运行脚本之前使用 `source activate cgcnn`。
停用环境：完成后使用 `source deactivate`。
CGCNN的使用案例
- 材料属性预测
- 晶体结构分析
- 材料发现
- 计算材料科学
- 预测建模
- 数据驱动材料设计
