Descrição
O pacote de software Crystal Graph Convolutional Neural Networks (CGCNN) implementa um sofisticado modelo de IA capaz de prever propriedades de materiais com base em estruturas cristalinas arbitrárias. Esta ferramenta é inestimável para pesquisadores e desenvolvedores em ciência de materiais que buscam entender e prever as características de novos materiais.
CGCNN opera processando estruturas cristalinas como grafos, onde átomos são nós e ligações são arestas. Redes neurais convolucionais são então aplicadas a esses grafos para aprender representações que se correlacionam com as propriedades do material. O pacote oferece duas funcionalidades principais: treinar um modelo CGCNN com um conjunto de dados definido pelo usuário e prever propriedades de materiais para novos cristais usando um modelo CGCNN pré-treinado.
Para treinar um modelo personalizado, os usuários devem primeiro definir um conjunto de dados compreendendo arquivos CIF para estruturas cristalinas e um arquivo CSV correspondente (id_prop.csv) que vincula IDs de cristais às suas propriedades alvo. Um arquivo de vetor de inicialização (atom_init.json) também é necessário. O processo de treinamento pode ser iniciado usando o script `main.py`, permitindo a personalização das divisões de dados de treinamento, validação e teste. A saída inclui checkpoints de modelo salvos e resultados de teste.
Para tarefas de predição, os usuários precisam de um arquivo de modelo CGCNN pré-treinado (por exemplo, `pre-trained.pth.tar`) e um conjunto de dados de estruturas cristalinas para as quais as propriedades devem ser previstas. O script `predict.py` recebe essas entradas e gera um arquivo `test_results.csv` contendo as propriedades previstas para cada cristal. Essa funcionalidade é crucial para a triagem rápida de materiais potenciais e para acelerar o processo de descoberta.
O framework CGCNN é construído sobre PyTorch e requer vários pré-requisitos, incluindo scikit-learn e pymatgen. A instalação é simplificada através de ambientes conda. O projeto é de código aberto, lançado sob a Licença MIT, e é um testemunho dos avanços na aplicação de deep learning a desafios da ciência de materiais.
Destaques de CGCNN
Prevê propriedades de materiais a partir de estruturas cristalinas
Treina modelos CGCNN personalizados com conjuntos de dados do usuário
Utiliza modelos CGCNN pré-treinados para predição de propriedades
Processa estruturas cristalinas como grafos
Suporta tarefas de regressão e classificação
Produz checkpoints de modelo treinados
Gera resultados de teste com propriedades previstas
Requer PyTorch, scikit-learn e pymatgen
Compatível com PyTorch v1.0.0+
Primeiros passos com CGCNN
Configurar ambiente: Instalar PyTorch, scikit-learn e pymatgen via conda.
Definir conjunto de dados: Preparar arquivos CIF para estruturas cristalinas e um arquivo id_prop.csv.
Treinar modelo: Executar `python main.py <root_dir>` para treinar um modelo CGCNN personalizado.
Prever propriedades: Usar `python predict.py <model_path> <root_dir>` com um modelo pré-treinado.
Ativar ambiente: Usar `source activate cgcnn` antes de executar scripts.
Desativar ambiente: Usar `source deactivate` após terminar.
Casos de uso de CGCNN
- Predição de Propriedades de Materiais
- Análise de Estrutura Cristalina
- Descoberta de Materiais
- Ciência de Materiais Computacional
- Modelagem Preditiva
- Design de Materiais Orientado por Dados
