Background (фоновая информация)

 - Теоретическое предсказание кристаллической структуры является важным методом поиска наиболее устойчивой структуры вещества при заданных внешних условиях с помощью вычислений. Традиционные методы предсказания структуры зависят от широкого случайного выбора на потенциальной энергетической поверхности для поиска наиболее устойчивой структуры. Однако, этот метод требует локальной оптимизации для большого количества случайно сгенерированных структур, что обычно требует значительных затрат на вычисления первого принципа, особенно при моделировании многоэлементных сложных систем, где такие вычислительные затраты значительно увеличиваются, создавая значительные вызовы.
- В последние годы методы генерации кристаллической структуры, основанные на глубоком обучении, стали постепенно получать внимание благодаря своей способности более эффективно отбирать разумные структуры на потенциальной энергетической поверхности. Этот метод обучается на данных уже существующих устойчивых или локально устойчивых структур, чтобы сгенерировать разумные кристаллические структуры. В отличие от случайного выбора, этот метод не только снижает вычислительные затраты на локальную оптимизацию, но и позволяет находить наиболее устойчивую структуру системы с меньшим количеством выборок.  - Использование нормированных потоков, моделирующих плотность вероятности с помощью нейронных обыкновенных дифференциальных уравнений и непрерывного изменения, имеет более простую, гибкую и эффективную структуру по сравнению с методами, использующими модели диффузии.### Источник информации (origin)

улучшение полноты и удобства использования пакета mindchemistry

Ценность / Необходимость (benefit / necessity)

предоставляет модель crystalflow для предсказания кристаллической структуры. Модели на основе потока по сравнению с моделями диффузии позволяют использовать меньшее количество шагов интегрирования в процессе вывода и предлагают более гибкий выбор априорных распределений.### Проектирование (схема проектирования)

• Архитектура модели
  Модель состоит из модулей data и model, и для обучения необходимо запустить скрипт train.py. После завершения обучения можно запустить скрипт вывода evaluate.py для вывода, а затем запустить скрипт оценки compute_metric.py для оценки модели.
• Приложения
  └── crystalflow # имя модели
  ├── config.yaml # конфигурационный файл
  ├── train.py # скрипт запуска обучения
  ├── evaluate.py # скрипт запуска вывода
  ├── compute_metric.py # скрипт запуска оценки
  ├── data # модуль обработки данных
  | ├── data_utils.py # модуль инструментов
  | ├── dataset.py # модуль построения набора данных
  | └── crysloader.py # модуль построения загрузчика данных
  └── models
  ├── cspnet.py # Денoisерный модуль на основе графовых нейронных сетей
  └── flow.py # Модуль потока
• Модуль models является основным модулем моделей, где cspnet.py представляет собой сетевые слои модели, а flow.py используется для управления процессом обучения.
• Модуль data используется для обработки набора данных
• train.py используется для обучения модели, evaluate.py используется для вывода модели, config.yaml используется как файл конфигурации для передачи в train.py и evaluate.py, compute_metric.py используется для оценки модели.py используется для оценки качества модели.