用于分子与晶体性质可解释预测的端到端 AI 框架
材料科学
2023-08-16 v2 人工智能
机器学习
摘要
我们引入了一个端到端计算框架，允许使用 DeepHyper 库进行超参数优化、加速模型训练以及可解释 AI 推理。该框架基于最先进的 AI 模型，包括 CGCNN、PhysNet、SchNet、MPNN、MPNN-transformer 和 TorchMD-NET。我们采用这些 AI 模型以及基准 QM9、hMOF 和 MD17 数据集，展示了这些模型如何在现代计算环境中预测用户指定的材料性质。我们展示了在小分子、无机晶体和纳米多孔金属有机框架的建模中，通过一个统一的独立框架实现了可迁移的应用。我们已在 Argonne Leadership Computing Facility 的 ThetaGPU 超级计算机以及 National Center for Supercomputing Applications 的 Delta 超级计算机上部署并测试了该框架，为研究人员提供了在领导级计算环境中进行加速 AI 驱动发现的现代工具。我们在 GitLab 中将这些数字资产作为开源科学软件发布，并在 Google Colab 中提供了即用型 Jupyter 笔记本。
引用
@article{arxiv.2212.11317,
title = {End-to-end AI framework for interpretable prediction of molecular and crystal properties},
author = {Hyun Park and Ruijie Zhu and E. A. Huerta and Santanu Chaudhuri and Emad Tajkhorshid and Donny Cooper},
journal= {arXiv preprint arXiv:2212.11317},
year = {2023}
}
备注
20 pages, 10 images, 6 tables; v2: accepted to Machine Learning: Science and Technology