mcoNGN

2026-10-06 约 1162 字预计阅读 3 分钟

前言

下载：mcoNGN。

简介

mcoNGN_v1.py 是一个基于 PyTorch 和 PyTorch Geometric 的晶体性质回归程序，可直接读取 CIF 晶体结构。代码默认预测带隙（单位 eV），并在同一个 Python 文件中实现了 coGN 与 coNGN 两个模型。

目标名称、单位、数据路径、构图参数、网络规模、训练参数、绘图风格以及可选的 Optuna 超参数搜索，都可以在文件顶部的参数区修改。

两个模型

参数或功能	coGN	coNGN
`MODEL_NAME`	`"coGN"`	`"coNGN"`
晶体图	自适应周期性 24 近邻图	自适应周期性 Voronoi 图
边特征	原子间距离 RBF	距离 RBF + Voronoi 棱面面积 RBF
消息传递	连通性优化图网络模块	连通性优化模块 + 嵌套线图更新
角度信息	不使用	在线图上使用键角 RBF
默认隐藏维度	128	160
默认输出层	线性层	两层非线性 MLP

两个模型均使用可学习的原子嵌入与固定元素描述符、5 个消息传递模块、全局平均池化以及标量回归输出。

环境要求

建议使用 Python 3.10 或更高版本。先根据本机 CPU/CUDA 环境安装合适版本的 PyTorch，再安装其余依赖：

1

pip install torch torch-geometric pymatgen numpy pandas openpyxl scikit-learn matplotlib tqdm

只有将 USE_OPTUNA 设为 True 时才需要安装 Optuna：

1

pip install optuna

数据准备

将 data.xlsx、代码文件和 cif 文件夹放在同一工作目录：

1
2
3
4
5
6
7


.
├── mcoNGN_v1.py
├── data.xlsx
└── cif
    ├── 1.cif
    ├── 2.cif
    └── ...

程序只读取 data.xlsx 的前两列。第一列必须是整数形式的 CIF 编号，例如编号 1 对应 ./cif/1.cif；第二列是回归目标值。

CIF编号	bandgap
1	1.237
2	2.104
…	…

程序会跳过目标值无效、CIF 缺失或无法读取、不能生成有效图的样本。训练开始前必须至少保留 10 个有效图。

使用方法

在文件顶部的参数区选择模型：

1
2
3


MODEL_NAME = "coGN"
# 或者
MODEL_NAME = "coNGN"

然后运行：

1

python mcoNGN_v1.py

默认设置使用固定随机种子 SEED = 42，按照 80%/10%/10% 划分训练集、验证集和测试集。目标值使用训练集统计量进行标准化；优化器为 AdamW，损失函数为 MSE；学习率根据验证集表现自动降低，并依据验证集 RMSE 进行早停。检测到 CUDA 时会自动使用 GPU，并开启自动混合精度。

程序会在后续运行中复用已有的数据划分和图缓存。若修改了数据集或构图相关参数，建议更换 RUN_VERSION，或先移动对应的旧输出目录。

输出文件

输出目录由所选模型决定：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18


coGN_v1/                         # 选择coNGN时为coNGN_v1/
├── coGN_best.pt                 # 当前模型的最优检查点
├── cache/coGN_graphs/           # 图缓存
├── dat/
│   ├── coGN_parity_train.dat
│   ├── coGN_parity_val.dat
│   ├── coGN_parity_test.dat
│   ├── coGN_parity_all.dat
│   └── coGN_rmse_curve.dat
├── figure/
│   ├── coGN_parity_train.jpg
│   ├── coGN_parity_val.jpg
│   ├── coGN_parity_test.jpg
│   ├── coGN_parity_all.jpg
│   └── coGN_rmse_curve.jpg
├── log/coGN_training.log
├── split/coGN_split.csv
└── table/coGN_metrics.dat

当 MODEL_NAME = "coNGN" 时，上述示例中的所有 coGN 前缀都会替换为 coNGN。如果启用 Optuna，还会生成 table/<MODEL_NAME>_optuna_best_params.json。

检查点保存模型权重、模型与构图配置、目标标准化参数、最佳轮次、最佳验证集 RMSE、随机种子和训练参数。代码提供的 predict_cifs() 函数可以加载检查点并预测新的 CIF 文件。

引用

原始 coGN/coNGN 文献：

Ruff R, Reiser P, Stühmer J, et al. Connectivity optimized nested line graph networks for crystal structures. Digital Discovery, 2024, 3(3): 594-601.

本工作：

论文正式发表后补充。