差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

两侧同时换到之前的修订记录前一修订版
后一修订版		前一修订版
人工智能:材料科学:chemeleon2:chemeleon2-模型加载基本情况 [2026/02/02 03:28] – ctbots人工智能:材料科学:chemeleon2:chemeleon2-模型加载基本情况 [2026/02/02 03:50] (当前版本) – ctbots
行 12: 行 12:
 ===== 数据集来源区别 ===== ===== 数据集来源区别 =====
  
-^ 方面 ^ mp_20alex_mp_20 (Alex-MP-20) ^ +^ 方面          ^ mp_20 / alex_mp_20 (Alex-MP-20)                                                                              ^ 
-| 数据来源 | 仅来自 Materials Project (MP) 数据库 / 来自 Materials Project (MP) + Alexandria (Alex) 数据库 | +| 数据来源      | 仅来自 Materials Project (MP) 数据库 / 来自 Materials Project (MP) + Alexandria (Alex) 数据库                | 
-| 结构数量 | 约几万条（通常训练集 ~4–5万左右） / 约 60.7万 条（607,683 或 607,684 条） | +| 结构数量      | 约几万条（通常训练集 ~4–5万左右） / 约 60.7万 条（607,683 或 607,684 条）                                    | 
-| 原子数限制 | 单元格内 ≤20 个原子 / 单元格内 ≤20 个原子 | +| 原子数限制    | 单元格内 ≤20 个原子 / 单元格内 ≤20 个原子                                                                    | 
-| 稳定性筛选 | 一般筛选稳定结构（E_hull 较低） / 更严格：E_above_hull < 0.1 eV/atom | +| 稳定性筛选    | 一般筛选稳定结构（E_hull 较低） / 更严格：E_above_hull < 0.1 eV/atom                                         | 
-| 数据多样性 | 相对较小、覆盖面有限 / 显著更大、化学组成和结构类型更多样 | +| 数据多样性    | 相对较小、覆盖面有限 / 显著更大、化学组成和结构类型更多样                                                    | 
-| 典型用途 | 早期生成模型的基准（如 CDVAE、DiffCSP、MatterGen-MP 等） / MatterGen 等新一代大模型的训练集（性能显著提升） | +| 典型用途      | 早期生成模型的基准（如 CDVAE、DiffCSP、MatterGen-MP 等） / MatterGen 等新一代大模型的训练集（性能显著提升）  | 
-| 模型性能对比 | 训练出来的模型生成 SUN 材料比例较低、RMSD 较高 / 训练后 SUN% 可提升 70% 左右，RMSD 下降 5 倍左右 |+| 模型性能对比  | 训练出来的模型生成 SUN 材料比例较低、RMSD 较高 / 训练后 SUN% 可提升 70% 左右，RMSD 下降 5 倍左右             | 
 + 
 +本地快速验证，可以用 mp_20 ，如果是精度要求高可以用 alex_mp_20 
 + 
 +===== VAE的基本结构 ===== 
 +<code> 
 +VAEModule( 
 +  (encoder): TransformerEncoder( 
 +    (atom_type_embedder): Embedding(100, 512) 
 +    (lattices_embedder): Sequential( 
 +      (0): Linear(in_features=9, out_features=512, bias=False) 
 +      (1): SiLU() 
 +      (2): Linear(in_features=512, out_features=512, bias=True) 
 +    ) 
 +    (frac_coords_embedder): Sequential( 
 +      (0): Linear(in_features=3, out_features=512, bias=False) 
 +      (1): SiLU() 
 +      (2): Linear(in_features=512, out_features=512, bias=True) 
 +    ) 
 +    (transformer): TransformerEncoder( 
 +      (layers): ModuleList( 
 +        (0-7): 8 x TransformerEncoderLayer( 
 +          (self_attn): MultiheadAttention( 
 +            (out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True) 
 +          ) 
 +          (linear1): Linear(in_features=512, out_features=2048, bias=True) 
 +          (dropout): Dropout(p=0.0, inplace=False) 
 +          (linear2): Linear(in_features=2048, out_features=512, bias=True) 
 +          (norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +          (norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +          (dropout1): Dropout(p=0.0, inplace=False) 
 +          (dropout2): Dropout(p=0.0, inplace=False) 
 +          (activation): GELU(approximate='tanh') 
 +        ) 
 +      ) 
 +      (norm): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +    ) 
 +  ) 
 +  (decoder): TransformerDecoder( 
 +    (transformer): TransformerEncoder( 
 +      (layers): ModuleList( 
 +        (0-7): 8 x TransformerEncoderLayer( 
 +          (self_attn): MultiheadAttention( 
 +            (out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True) 
 +          ) 
 +          (linear1): Linear(in_features=512, out_features=2048, bias=True) 
 +          (dropout): Dropout(p=0.0, inplace=False) 
 +          (linear2): Linear(in_features=2048, out_features=512, bias=True) 
 +          (norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +          (norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +          (dropout1): Dropout(p=0.0, inplace=False) 
 +          (dropout2): Dropout(p=0.0, inplace=False) 
 +          (activation): GELU(approximate='tanh') 
 +        ) 
 +      ) 
 +      (norm): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +    ) 
 +    (atom_types_head): Linear(in_features=512, out_features=100, bias=True) 
 +    (frac_coords_head): Linear(in_features=512, out_features=3, bias=False) 
 +    (lattice_head): Linear(in_features=512, out_features=6, bias=False) 
 +  ) 
 +  (quant_conv): Linear(in_features=512, out_features=16, bias=False) 
 +  (post_quant_conv): Linear(in_features=8, out_features=512, bias=False) 
 +) 
 +</code> 
 + 
 +===== LDM结构模型打印 ===== 
 +<code> 
 +LDMModule( 
 +  (denoiser): DiT( 
 +    (x_embedder): Linear(in_features=8, out_features=768, bias=True) 
 +    (t_embedder): TimestepEmbedder( 
 +      (mlp): Sequential( 
 +        (0): Linear(in_features=256, out_features=768, bias=True) 
 +        (1): SiLU() 
 +        (2): Linear(in_features=768, out_features=768, bias=True) 
 +      ) 
 +    ) 
 +    (blocks): ModuleList( 
 +      (0-11): 12 x DiTBlock( 
 +        (norm1): LayerNorm((768,), eps=1e-06, elementwise_affine=False) 
 +        (attn): MultiheadAttention( 
 +          (out_proj): NonDynamicallyQuantizableLinear(in_features=768, out_features=768, bias=True) 
 +        ) 
 +        (norm2): LayerNorm((768,), eps=1e-06, elementwise_affine=False) 
 +        (mlp): Mlp( 
 +          (fc1): Linear(in_features=768, out_features=3072, bias=True) 
 +          (act): GELU(approximate='tanh') 
 +          (drop1): Dropout(p=0, inplace=False) 
 +          (norm): Identity() 
 +          (fc2): Linear(in_features=3072, out_features=768, bias=True) 
 +          (drop2): Dropout(p=0, inplace=False) 
 +        ) 
 +        (adaLN_modulation): Sequential( 
 +          (0): SiLU() 
 +          (1): Linear(in_features=768, out_features=4608, bias=True) 
 +        ) 
 +      ) 
 +    ) 
 +    (final_layer): FinalLayer( 
 +      (norm_final): LayerNorm((768,), eps=1e-06, elementwise_affine=False) 
 +      (linear): Linear(in_features=768, out_features=16, bias=True) 
 +      (adaLN_modulation): Sequential( 
 +        (0): SiLU() 
 +        (1): Linear(in_features=768, out_features=1536, bias=True) 
 +      ) 
 +    ) 
 +  ) 
 +  (vae): VAEModule( 
 +    (encoder): TransformerEncoder( 
 +      (atom_type_embedder): Embedding(100, 512) 
 +      (lattices_embedder): Sequential( 
 +        (0): Linear(in_features=9, out_features=512, bias=False) 
 +        (1): SiLU() 
 +        (2): Linear(in_features=512, out_features=512, bias=True) 
 +      ) 
 +      (frac_coords_embedder): Sequential( 
 +        (0): Linear(in_features=3, out_features=512, bias=False) 
 +        (1): SiLU() 
 +        (2): Linear(in_features=512, out_features=512, bias=True) 
 +      ) 
 +      (transformer): TransformerEncoder( 
 +        (layers): ModuleList( 
 +          (0-7): 8 x TransformerEncoderLayer( 
 +            (self_attn): MultiheadAttention( 
 +              (out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True) 
 +            ) 
 +            (linear1): Linear(in_features=512, out_features=2048, bias=True) 
 +            (dropout): Dropout(p=0.0, inplace=False) 
 +            (linear2): Linear(in_features=2048, out_features=512, bias=True) 
 +            (norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +            (norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +            (dropout1): Dropout(p=0.0, inplace=False) 
 +            (dropout2): Dropout(p=0.0, inplace=False) 
 +            (activation): GELU(approximate='tanh') 
 +          ) 
 +        ) 
 +        (norm): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +      ) 
 +    ) 
 +    (decoder): TransformerDecoder( 
 +      (transformer): TransformerEncoder( 
 +        (layers): ModuleList( 
 +          (0-7): 8 x TransformerEncoderLayer( 
 +            (self_attn): MultiheadAttention( 
 +              (out_proj): NonDynamicallyQuantizableLinear(in_features=512, out_features=512, bias=True) 
 +            ) 
 +            (linear1): Linear(in_features=512, out_features=2048, bias=True) 
 +            (dropout): Dropout(p=0.0, inplace=False) 
 +            (linear2): Linear(in_features=2048, out_features=512, bias=True) 
 +            (norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +            (norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +            (dropout1): Dropout(p=0.0, inplace=False) 
 +            (dropout2): Dropout(p=0.0, inplace=False) 
 +            (activation): GELU(approximate='tanh') 
 +          ) 
 +        ) 
 +        (norm): LayerNorm((512,), eps=1e-05, elementwise_affine=True) 
 +      ) 
 +      (atom_types_head): Linear(in_features=512, out_features=100, bias=True) 
 +      (frac_coords_head): Linear(in_features=512, out_features=3, bias=False) 
 +      (lattice_head): Linear(in_features=512, out_features=6, bias=False) 
 +    ) 
 +    (quant_conv): Linear(in_features=512, out_features=16, bias=False) 
 +    (post_quant_conv): Linear(in_features=8, out_features=512, bias=False) 
 +  ) 
 +) 
 + 
 +</code>