설명
Crystal Graph Convolutional Neural Networks (CGCNN) 소프트웨어 패키지는 임의의 결정 구조를 기반으로 재료의 물성을 예측할 수 있는 정교한 AI 모델을 구현합니다. 이 도구는 새로운 재료의 특성을 이해하고 예측하고자 하는 재료 과학 분야의 연구원 및 개발자에게 매우 유용합니다.
CGCNN은 결정 구조를 원자 노드와 결합 엣지로 하는 그래프로 처리하여 작동합니다. 그런 다음 이러한 그래프에 컨볼루션 신경망을 적용하여 재료 물성과 상관관계가 있는 표현을 학습합니다. 이 패키지는 사용자 정의 데이터셋으로 CGCNN 모델을 훈련하는 기능과 사전 훈련된 CGCNN 모델을 사용하여 새로운 결정의 재료 물성을 예측하는 두 가지 주요 기능을 제공합니다.
사용자 정의 모델을 훈련하려면 먼저 결정 구조에 대한 CIF 파일과 결정 ID를 대상 속성에 연결하는 해당 CSV 파일(id_prop.csv)로 구성된 데이터셋을 정의해야 합니다. 초기화 벡터 파일(atom_init.json)도 필요합니다. 훈련 프로세스는 `main.py` 스크립트를 사용하여 시작할 수 있으며, 훈련, 검증 및 테스트 데이터 분할을 사용자 정의할 수 있습니다. 출력에는 저장된 모델 체크포인트와 테스트 결과가 포함됩니다.
예측 작업의 경우 사용자는 사전 훈련된 CGCNN 모델 파일(예: `pre-trained.pth.tar`)과 물성을 예측해야 하는 결정 구조 데이터셋이 필요합니다. `predict.py` 스크립트는 이러한 입력을 받아 각 결정에 대한 예측된 물성을 포함하는 `test_results.csv` 파일을 생성합니다. 이 기능은 잠재적 재료의 신속한 스크리닝과 발견 프로세스 가속화에 중요합니다.
CGCNN 프레임워크는 PyTorch를 기반으로 구축되었으며 scikit-learn 및 pymatgen을 포함한 여러 사전 요구 사항이 필요합니다. 설치는 conda 환경을 통해 간소화됩니다. 이 프로젝트는 오픈 소스로 MIT 라이선스 하에 배포되며, 재료 과학 문제에 딥러닝을 적용하는 데 있어 발전을 보여줍니다.
CGCNN 하이라이트
결정 구조로부터 재료 물성 예측
사용자 데이터셋으로 사용자 정의 CGCNN 모델 훈련
물성 예측을 위한 사전 훈련된 CGCNN 모델 활용
결정 구조를 그래프로 처리
회귀 및 분류 작업 모두 지원
훈련된 모델 체크포인트 출력
예측된 물성을 포함한 테스트 결과 생성
PyTorch, scikit-learn 및 pymatgen 필요
PyTorch v1.0.0+와 호환
CGCNN 시작하기
환경 설정: conda를 통해 PyTorch, scikit-learn 및 pymatgen 설치.
데이터셋 정의: 결정 구조에 대한 CIF 파일 및 id_prop.csv 파일 준비.
모델 훈련: 사용자 정의 CGCNN 모델을 훈련하려면 `python main.py <root_dir>` 실행.
물성 예측: 사전 훈련된 모델을 사용하여 `python predict.py <model_path> <root_dir>` 사용.
환경 활성화: 스크립트 실행 전에 `source activate cgcnn` 사용.
환경 비활성화: 완료 후 `source deactivate` 사용.
CGCNN의 사용 사례
- 재료 물성 예측
- 결정 구조 분석
- 재료 발견
- 계산 재료 과학
- 예측 모델링
- 데이터 기반 재료 설계
