README_zh.md

PaddleMaterials

🚀 简介

PaddleMaterials 是一款基于 PaddlePaddle 深度学习框架构建的端到端 AI4Materials 工具包。作为面向材料科学基础模型开发与部署的数据—机理双驱动平台，PPMat 帮助研究人员高效构建 AI 模型，并利用预训练模型加速材料发现。

🧩 核心能力

任务	描述	典型应用
性质预测（PP）	根据材料结构预测性质	正向设计，或预测形成能、带隙、弹性模量等
结构生成（SG）	生成新型晶体结构	逆向设计或结构生成
机器学习原子间势（MLIP）	用机器学习势作为 DFT 的代理模型	分子动力学模拟
电子结构（ES）	用代理模型替代 DFT 预测物理场	电子密度预测
谱图解析（SE）	根据谱图重建结构	NMR 结构解析
谱图增强（SPEN）	增强显微图像与谱图信号	STEM 图像增强、去噪

🧱 支持的材料体系

• 无机晶体 — 支持完善，提供多个数据集和预训练模型
• 有机分子 — 支持小分子和部分聚合物等多个数据集及预训练模型

✨ 为什么选择 PaddleMaterials？

• ✅ 丰富的预训练模型与 AI-ready 数据集 — 提供 50+ 个可直接推理的预训练模型，以及多个用于训练的精选数据集
• ✅ 多任务集成 — 使用统一框架支持 PP、SG、MLIP、ES、SE、SPEN 等任务
• ✅ 多硬件支持 — 全面支持 NVIDIA GPU、MetaX GPU 和 Intel CPU
• ✅ 生产就绪 — 标准化设计，易于使用，并支持分布式训练、混合精度和断点恢复

📑 支持的任务

任务	描述	链接
性质预测（PP）	预测形成能、带隙和弹性性质	README
结构生成（SG）	使用扩散模型生成新的晶体结构	README
机器学习原子间势（MLIP）	用于分子动力学、具有 DFT 精度的势函数	README
电子结构（ES）	预测电子结构性质	README
谱图解析（SE）	根据 NMR 谱图重建分子结构	README
谱图增强（SPEN）	增强显微图像和谱图信号	README

🤖 可用的预训练模型

任务	模型	数据集
性质预测	MEGNet、iComformer、DimeNet++、SphereNet	MP2018、MP2024、JARVIS、QM9 等
结构生成	MatterGen、DiffCSP	MP20、ALEX 等
机器学习原子间势	CHGNet、MatterSim、SphereNet	MPTRJ、MD17 等
电子结构	InfGCN	QM9_ES、MP_ES、OMol25_MC_ES 等
谱图解析	DiffNMR	MSD_NMR 等
谱图增强	SFIN	SFIN-HAADF/BF 等

完整模型列表：参见 MODEL_REGISTRY。

---

🚀 快速开始

🔧 安装

请根据您的硬件环境参阅安装文档。有关多硬件适配的更多信息，请参阅支持的硬件列表。

---

⚡ 快速推理

性质预测

使用预训练 MEGNet 模型预测材料形成能：

python property_prediction/predict.py \
    --model_name='megnet_mp2018_train_60k_e_form' \
    --weights_name='best.pdparams' \
    --input_format=cif --input_path='./property_prediction/example_data/cifs/' \
    --output_path='results/'

结构生成

使用预训练 MatterGen 模型生成新的晶体结构：

python structure_generation/sample.py \
    --model_name='mattergen_mp20' \
    --weights_name='latest.pdparams' \
    --output_path='result_mattergen_mp20/' \
    --mode='by_num_atoms' \
    --num_atoms=4

原子间势

使用预训练 MatterSim 模型预测能量和力：

python interatomic_potentials/predict.py \
    --model_name='mattersim_1M' \
    --weights_name='mattersim-v1.0.0-1M_model.pdparams' \
    --input_format=cif --input_path='./interatomic_potentials/example_data/cifs/' \
    --output_path='results/'

电子结构

使用预训练 InfGCN 模型对仓库自带的甲烷示例预测电子密度：

python electronic_structure/predict.py \
    --model_name='infgcn_qm9' \
    --weights_name='best.pdparams' \
    --input_format=mol --input_path='electronic_structure/example_data/methane.mol' \
    --grid_shape=8 \
    --grid_batch_size=4096 \
    --output_path='output/infgcn_qm9/methane'

有关基于数据集或本地检查点推理的方法，请参阅 InfGCN 预测指南。

谱图解析

使用预训练 DiffNMR 模型和仓库自带示例运行 NMR 谱图解析：

python spectrum_elucidation/sample.py \
    --model_name='diffnmr_msdnmr_nless15' \
    --weights_name='best.pdparams' \
    --output_path='result_diffnmr_nless15/'

谱图增强

使用预训练 SFIN 模型增强 STEM 图像：

python spectrum_enhancement/predict.py \
    --model_name='sfin_haadf_enhance' \
    --weights_name='best.pdparams' \
    --input_path='path/to/noisy_image.png' \
    --output_path='result_sfin/'

---

🏋️ 开始训练

有关训练和微调的方法，请参阅相关文档。

---

🤝 贡献者、合作伙伴与社区

感谢所有为 PaddleMaterials 建设作出贡献的开发者！

感谢以下组织提供合作支持！

欢迎加入 PaddleMaterials 微信群与我们交流！

🛠️ 参与 PaddleMaterials

开发者请参阅架构文档。

---

📜 许可证

PaddleMaterials 基于 Apache License 2.0 许可。

---

🎓 引用

@misc{paddlematerials2025,
  title={PaddleMaterials, a deep learning toolkit based on PaddlePaddle for material science.},
  author={PaddleMaterials Contributors},
  howpublished = {\url{https://github.com/PaddlePaddle/PaddleMaterials}},
  year={2025}
}

---

🙏 致谢

本仓库参考了以下项目的代码：

PaddleScience | Matgl | CDVAE | DiffCSP | MatterGen | MatterSim | CHGNet | AIRS