概览
PhysNet 提供了相关论文中所述神经网络的 TensorFlow 实现。README 通过引用的论文标题指出，模型的预测目标包括能量、力、偶极矩和部分电荷。其文档所述工作流以使用准备好的数据集和用户选择的设置训练模型为核心，而非访问托管的预测服务。
用户可通过 config.txt 配置训练，包括指定超参数、数据集位置以及训练集和验证集的大小。README 引导用户查看 train.py，了解所有可用选项，并将该文件列为训练入口。所提供的配置预期使用 sn2_reactions.npz，这是可通过所链接的 Zenodo 记录获取的示例数据集。替代数据集必须遵循相同格式；数据集自身的 README 是了解格式详情的指定参考。
声明的运行时要求为 Python 3 和 TensorFlow。README 报告曾使用 Python 3.6.3 和 TensorFlow 1.10.1 进行测试，但所提供的证据并未确认与其他版本的兼容性。README 也未说明确切的输入字段、预测文件格式、预训练权重或推理流程。在规划将其集成到分子性质工作流时，这些信息缺失很重要：现有摘录支持将其视为可配置的研究训练实现，但并不能证明它提供了可直接使用的预测接口，也未给出其在特定应用中的实测准确度。
主要功能
- 相关研究论文中所述 PhysNet 神经网络的 TensorFlow 实现。
- 模型预测目标包括能量、力、偶极矩和部分电荷。
- 通过 config.txt 配置训练，包括超参数、数据集位置以及训练集/验证集大小。
- 训练入口位于 train.py，该文件也列出了可用的配置选项。
- 默认配置使用 sn2_reactions.npz，并支持遵循示例格式的替代数据集。
使用场景
- 评估建议：使用所链接的 sn2_reactions.npz 数据集评估文档所述训练工作流。
- 评估建议：按示例格式准备分子数据集，并探索 PhysNet 是否适用于引用论文中指出的性质预测目标。
- 评估建议：探究文档所述超参数以及训练集/验证集划分设置如何影响研究训练工作流。
使用方式
- 阅读官方 README，了解训练工作流和声明的要求。README 报告曾使用 Python 3.6.3 和 TensorFlow 1.10.1 进行测试；其他环境需要单独评估兼容性。
- 在确定其预测目标是否符合研究任务之前，查阅PhysNet 论文，了解模型详情。
- 从Zenodo 记录获取示例数据集。阅读该数据集的 README，了解格式要求；如果打算替换为自己的数据，尤其应仔细查阅。
- 在仓库中查看 train.py 以了解可用选项，并编辑 config.txt 设置数据集位置、超参数以及训练集/验证集大小。
- 按照 README 的说明通过 train.py 启动训练。将运行结果作为评估对象：检查其输出，并评估它是否适合预期任务，不要假定其准确度或可迁移性。