概览
ALIGNN 实现了原子线图神经网络（Atomistic Line Graph Neural Network），用于从原子结构中学习性质。其架构结合了在键图及其线图上进行的卷积，以表示成对和三体相互作用。该代码库包含预测模型和训练工具，而非材料数据库：JARVIS-DFT 及其他数据集提供训练目标。在材料研究工作流中，ALIGNN 可用于基于结构的性质估算，也可支持针对用户提供的数据集开发预测器。
性质模型训练接受 POSCAR、.cif、.xyz 或 .pdb 格式的结构文件、将文件名映射到目标值的 id_prop.csv，以及定义训练设置的配置文件。文档介绍的输出包括单性质回归、针对性质或态密度目标的多输出回归，以及二元分类。预训练模型可直接进行预测；JARVIS-ALIGNN 网络应用具体接受 POSCAR 输入，并使用基于 JARVIS-DFT 训练的模型预测形成能、每原子总能和带隙。
ALIGNN-FF 将该代码库扩展至原子力场，其能量、力和应力训练数据通过 id_prop.json 提供；训练能量必须以每原子为单位表示。README 描述了涵盖 89 种元素组合的模型、微调、ASE 计算器，以及用于弛豫、能量-体积曲线、声子和分子动力学的示例。这些能力不应被视为其对所有目标体系均准确的证据。来源指出 ALIGNN-FF 正在积极开发，将分类脚本限制为二元任务，提到 DGL 安装问题，并说明多 GPU 训练尚未经过充分测试。
主要功能
- 结合原子键图和线图上的边门控卷积，以建模成对和三体相互作用。
- 支持单输出和多输出性质回归，包括电子和声子态密度示例，以及二元分类。
- 支持根据结构文件和目标映射进行可配置训练，并可调整数据集划分以及选择保留数据顺序。
- 通过 `pretrained.py` 提供预训练性质预测，并通过 JARVIS-ALIGNN 网络应用提供基于 POSCAR 的性质预测。
- 支持使用能量、力和应力数据训练和微调 ALIGNN-FF，其中能量以每原子为单位提供。
- 包含 ALIGNN-FF ASE 计算器，以及用于结构弛豫、能量-体积曲线、声子和熔融-淬火分子动力学的示例。
使用场景
- 拟议评估：使用预训练的形成能或带隙预测器筛选候选晶体结构，然后将估算结果与适当的参考计算进行比较，再选择材料。
- 拟议评估：使用带标签的结构训练领域专用性质模型，并通过留出数据评估其预测能否迁移至目标材料族。
- 拟议评估：在有代表性的体系上测试 ALIGNN-FF 的结构弛豫或能量-体积分析能力，并将能量、力和弛豫结构与参考结果进行比较。
- 拟议评估：使用文档所述的训练示例，探索针对电子或声子态密度目标的多输出学习。
使用方式
- 阅读代码库 README，并在预训练性质预测、自定义性质训练和 ALIGNN-FF 之间作出选择。这些工作流所需的目标和配置各不相同。
- 按照 README 的安装部分为你的环境进行设置。文档提供 conda、代码库和 pip 安装途径，并提示 DGL 安装存在困难；选择依赖项时可参考链接的 DGL 说明。
- 对于性质训练，收集受支持的结构文件，创建
id_prop.csv，并调整提供的配置示例。审慎设置目标定义以及训练集/验证集/测试集划分。 - 对于预训练推理，请遵循文档中的
pretrained.py示例，或在 JARVIS-ALIGNN 应用中尝试输入 POSCAR。确认所选模型对应的性质和训练数据集。 - 对于力场工作，研读硅训练笔记本，准备包含每原子能量的
id_prop.json，并在扩展到弛豫或动力学计算之前，使用参考数据评估预测结果。