Skip to content
Lloyd-JahnPublic

About

“图神经网络预测碳基二电子ORR单原子催化剂过电位”项目代码

Resources

Stars

8 stars

Watchers

0 watching

Forks

Latest commit

 

History

2 Commits

Folders and files

Repository files navigation

图神经网络预测二电子氧还原反应碳基单原子催化剂过电位

该项目面向碳基单原子催化剂的高通量筛选。整体流程先构建候选结构并用 MACE 完成几何优化、吸附能与热力学校正计算,再训练 Delta-Learning 图神经网络预测 OOH* 吸附自由能 ΔG_OOH*,最终对 10179 个候选结构进行全量打分与可视化筛选。

项目目标

本项目的核心目标有两个:

  1. 基于 736 个已有 DFT 数据的训练体系,建立从 MACE 粗略 ΔG_OOH* 到 DFT 高精度 ΔG_OOH* 的残差学习模型。
  2. 将训练好的模型迁移到 10179 个候选碳基单原子催化剂上,快速预测其 ΔG_OOH* 和二电子 ORR 过电位。

方法概述

  1. 二电子氧还原反应的过电位只与 OOH* 吸附反应的吉布斯自由能变(ΔG_OOH*)有关。由于有精确的公式可以从 ΔG_OOH* 计算出过电位,我们仅仅需要建立一个预测 ΔG_OOH* 的图神经网络模型。
  2. 我们在课题流程中创新性地利用了 MACE 这种著名的机器学习原子间势。它可以用来对催化剂结构进行初步的几何优化,也能粗略地计算出 ΔE_OOH* 和 OOH* 吸附反应的热力学校正值,从而得到 ΔG_OOH* 的粗略值。我们的 GNN 模型采用了“站在巨人的肩膀上”的思想,从 MACE 几何优化得到的粗略 ΔG_OOH* 值出发,去预测 DFT 计算得到的高精度 ΔG_OOH* 值。
  3. 为了训练模型,我们需要一份高精度的 DFT 计算数据集。项目中的 DFT_data.csv 对应 736 种已知体系,可用于模型训练与交叉验证;而 数据集.csv 对应 10179 个待筛选候选结构,用于全量预测。

Requirements

仓库根目录已经提供当前可运行环境导出的 environment.yaml。

直接复现环境

conda env create -f environment.yaml
conda activate mace_calc

当前环境说明

当前导出的环境名称为 mace_calc,核心信息如下:

  • Python 3.10.19
  • torch==2.8.0
  • mace-torch==0.3.15
  • ase==3.27.0
  • pandas==2.3.3
  • numpy==2.2.6
  • scipy==1.15.3
  • matplotlib==3.10.8

说明

environment.yaml 是从当前机器上的 mace_calc 环境直接导出的,用于 MACE 几何优化。但该环境不包含模型训练所需的一些包,所以 09-模型训练 脚本请在含有 torch-geometric 的环境中运行。

项目结构

常见目录和文件如下:

  • scripts/:完整工作流脚本
  • slabs/:建模脚本生成的初始 slab 结构
  • slabs_optimized/:736 个训练体系的 MACE 优化 slab
  • OOH*_optimized/:736 个训练体系的 OOH* 吸附态优化结构
  • slabs_optimized_all/:10179 个候选结构的 MACE 优化 slab
  • OOH*_optimized_all/:10179 个候选结构的 OOH* 吸附态优化结构
  • logs/:未收敛、频率分析等日志文件
  • checkpoints/:模型训练生成的 .pt 权重和训练曲线图
  • DFT_data.csv:736 个训练体系的 DFT 数据
  • 数据集.csv:10179 个候选结构的数据集索引表

脚本说明

以下内容按照 scripts/ 中的实际文件名排列。

1. 数据集与建模

scripts/01-构建数据集.py

用于枚举过渡金属和配位环境组合,生成拓扑唯一的候选体系命名,并输出全量候选表 数据集.csv。

scripts/02-slabs建模.py

根据 数据集.csv 中的候选名称,批量构建碳基单原子催化剂 slab 初始结构,并将结果保存到 slabs/。

2. 736 个训练体系的物理量生成

scripts/03-优化736种slabs结构.py

对 DFT_data.csv 中对应的 736 种训练体系执行 MACE 几何优化,输出到 slabs_optimized/。脚本会自动识别可见 GPU 数量,并按 GPU 数量并行分配优化任务。未收敛或报错信息写入 logs/736种结构slabs未收敛日志.log。

scripts/04-优化736种OOH*结构.py

在 736 种已优化 slab 上自动添加 OOH* 吸附物,并用 MACE 继续进行吸附态几何优化,输出到 OOH*_optimized/。脚本同样会自动识别 GPU 数量进行并行计算,异常信息写入 logs/736中结构OOH*未收敛日志.log。

scripts/05-计算H2和H2O能量.py

计算参考分子 H2、H2O 和 O2 的 MACE 能量,用于后续 ΔE_OOH* 与相关热力学量的构造。

scripts/06-计算736种结构ΔE_OOH*.py

从 slabs_optimized/ 与 OOH*_optimized/ 中提取能量,计算 736 个训练体系的 ΔE_OOH*,输出 ΔE_OOH*_Values.csv。核心表达式为:

ΔE_OOH* = E(slab+OOH) - E(slab) - [2E(H2O) - 1.5E(H2)]

scripts/07-计算736种结构校正值.py

对 736 个 OOH* 吸附态进行严格优化和频率分析,获得 ZPE、TS、U_thermal 和 G_corr,输出 OOH*_corrections.csv。脚本会自动识别 GPU 数量并并行处理,日志写入 logs/频率计算日志.log。

scripts/08-计算736种结构ΔG_OOH*.py

将 ΔE_OOH*_Values.csv 与 OOH*_corrections.csv 合并,生成训练阶段所需的 ΔG_OOH*_Values.csv。

3. 模型训练

scripts/09-模型训练.py

训练 Delta-Learning 图神经网络。模型输入包括:

  • MACE 优化后的 slab 结构图
  • MACE 计算得到的粗略 ΔG_OOH*

模型目标是学习 DFT ΔG_OOH* 相对于 MACE ΔG_OOH* 的残差。脚本执行 5 折交叉验证,并将生成的模型权重和训练曲线统一保存到 checkpoints/。

4. 10179 个候选结构的全量物理量生成

scripts/10-优化所有slabs结构.py

对全量 10179 个候选结构的 slab 执行 MACE 几何优化,输出到 slabs_optimized_all/。脚本自动识别可见 GPU 数量并并行优化,异常信息写入 logs/所有结构slabs未收敛日志.log。

scripts/11-优化所有OOH*结构.py

在 slabs_optimized_all/ 的基础上为所有候选结构添加 OOH* 并进行吸附态优化,输出到 OOH*_optimized_all/。脚本自动识别 GPU 数量并并行优化,异常信息写入 logs/所有结构OOH*未收敛日志.log。

scripts/12-计算所有结构ΔE_OOH*.py

仿照 736 结构版本,从 slabs_optimized_all/ 和 OOH*_optimized_all/ 中提取全量候选的 ΔE_OOH*,输出 ΔE_OOH*_Values_all.csv。

scripts/13-计算所有结构校正值.py

对全量 OOH* 吸附态执行严格优化与频率分析,得到全量候选的热力学校正值,输出 OOH*_corrections_all.csv。脚本会自动识别 GPU 数量并并行处理,日志写入 logs/所有结构频率计算日志.log。

scripts/14-计算所有结构ΔG_OOH*.py

生成全量候选的 ΔG_OOH*_Values_all.csv。优先读取最新的全量 ΔG 数据并做格式规范;如果缺失,则回退为由 ΔE_OOH*_Values_all.csv 与 OOH*_corrections_all.csv 合并生成。

5. 全量预测与可视化

scripts/15-全量预测与可视化.py

读取训练好的 GNN 模型和全量候选的 ΔG_OOH*_Values_all.csv,对全部 10179 个候选结构进行残差修正预测,输出最终 ΔG_OOH*、二电子 ORR 过电位以及筛选与可视化结果。

输出说明

项目当前的关键输出包括:

  • ΔE_OOH*_Values.csv:736 个训练体系的 MACE 吸附能
  • OOH*_corrections.csv:736 个训练体系的热力学校正值
  • ΔG_OOH*_Values.csv:736 个训练体系的 MACE 自由能
  • checkpoints/best_model_fold_*.pt:交叉验证得到的模型权重
  • checkpoints/results_fold_*.png:各折训练过程图
  • ΔE_OOH*_Values_all.csv:10179 个候选结构的 MACE 吸附能
  • OOH*_corrections_all.csv:10179 个候选结构的热力学校正值
  • ΔG_OOH*_Values_all.csv:10179 个候选结构的 MACE 自由能
  • 全量预测脚本输出的最终 ΔG_OOH*、过电位和筛选图

后续工作

  1. scripts/15-全量预测与可视化.py 并不完善,需要增加更细致、全面的可视化。
  2. 需要考虑反应选择性、热力学稳定性,从而在三维空间中寻找最优解。
  3. 对筛选出的结构进行 DFT 计算,验证模型泛化能力。

About

“图神经网络预测碳基二电子ORR单原子催化剂过电位”项目代码

Resources

Stars

8 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages