图神经网络预测分子溶解度
- 基础模型
- SchNet,PyTorch 2.3 model.py
- 方法来源
- 自主设计,在文献 [1] 的基线上改进 ref-1.pdf
- 参数来源
- 层数与学习率由 5 折交叉验证选取 cv.log
- 选取依据
- 按分子骨架划分数据集,避免信息泄漏 split.py
- 全部数值
- 测试集 RMSE 0.58,逐分子预测值 pred.csv
- 收敛结果
- 5 个随机种子 RMSE 偏差 < 3% loss.png
交付前逐项复核方法、参数、收敛和结论,有问题就返工重算。导师拿到的是复核过的结果。
需要审阅的每一点,报告里都写清楚了:基础模型,复现论文还是自主设计,参数来源,参数选取和模型设计的依据,全部数值和收敛结果。每一项都能一键打开对应文件,随时可以复现。
做过的计算整理成组内方法。新同学按组里的做法开始,不再从零摸索。
已套用组内方法「单细胞注释流程 v4」,质控阈值沿用组内标准。
用自然语言提出需求,AI 完成建模和计算,并讲清每一步的方法和依据。同学边做边学,能力提升更快;计算周期缩短,成果产出更快。
网格无关性检查已完成,开始扫描 5 个入口流速。
按组里的方向预装并验证软件环境,把组内流程配置成标准计算流程。
运行在组里或学校的服务器上,研究数据留在本地。