mCGCNN

modified CGCNN（mCGCNN）

该脚本基于PyTorch实现了一个晶体图卷积神经网络（CGCNN）训练框架，用于预测晶体材料的目标性质（如超导临界温度Tc）。程序从data.xlsx读取结构ID与标签，从cif目录加载结构文件，并根据CIFDATA_VARIANT构建不同类型的原子或边特征（包括电负性差Δχ的多种编码方式）。支持train/test划分或KFold交叉验证，集成EarlyStopping与学习率调度，输出MAE、RMSE、R2等指标并保存结果文件。在开启USE_OPTUNA时，可自动进行超参数搜索并保存每次试验的模型与日志。

使用方法

运行命令：python mCGCNN_v22.py。

• CIFDATA_VARIANT：选择特征构建方式（origin 原始特征，atom 加入原子电负性特征，edge 加入边电负性差特征）。

• DELTA_EN_FEAT_MODE：Δχ特征编码方式（raw、poly、rbf、fourier 或 all）。

• n_folds：交叉验证折数（设为整数表示KFold，'none' 表示单次划分）。

• train_ratio / test_ratio：训练集与测试集划分比例。

• batch_size：每次梯度更新的样本数。

• lr：初始学习率。

• epochs：最大训练轮数。

• patience：EarlyStopping的参数。

• atom_fea_len：原子特征嵌入维度。

• h_fea_len：全连接隐藏层维度。

• n_conv：图卷积层数。

• n_h：全连接隐藏层数量。

• USE_OPTUNA：是否启用Optuna自动超参数优化。

• OPTUNA_TRIALS：Optuna搜索的试验次数。

引用

论文正式发表后补充。