Skip to content

Latest commit

 

History

History
177 lines (113 loc) · 9.45 KB

README_nm.md

File metadata and controls

177 lines (113 loc) · 9.45 KB

Для использования Фреймворка для поддержки принятия решений в поиске материалов с заданными свойствами необходимо выполнить следующие шаги:

  1. Склонировать фреймворк;

    git clone https://github.com/InnopolisUni/innofw.git

  2. Установить пакеты poetry;

    poetry install

  3. Для инициализации модели предобученными весами указать путь к весам в параметре ckpt_path эксперимента, либо в shell/batch скрипта;

  4. Путь к наборам данных указан в параметре source конфигурационных файлов datasets (набор данных загрузится автоматически при запуске скрипта);

  5. Запустить алгоритмы посредством shell/batch скриптов. Команды с использованием shell скриптов приведенные ниже должны быть использованы на ОС Линукс. Команды с использованием batch скриптов приведенные ниже должны быть использованы на ОС Windows. Список алгоритмов:

    1. Реализация возможности обеспечить решение задачи «Прогнозирование свойств материалов на основании их структуры»

      Пример использования (sh/bat скрипты):

      • train_QSAR_test.sh
      • train_QSAR_test.bat
      • infer_QSAR_test.sh
      • infer_QSAR_test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_regression_qm9.pickle

    2. Реализация возможности обеспечить решение задачи «Прогнозирование технологических параметров производства»

      Пример использования (sh/bat скрипты):

      • train_Catboost_test.sh
      • train_Catboost_test.bat
      • infer_Catboost_test.sh
      • infer_Catboost_test.bat

      Набор данных: regression_industry_data

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/industry_data/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/industry_data/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_regression_industry_data.pickle

    3. Реализация возможности обеспечить решение задачи «Анализ данных из структурированных и неструктурированных источников»

      Пример использования (sh/bat скрипты):

      • train_biobert_test.sh
      • train_biobert_test.bat
      • infer_biobert_test.sh
      • infer_biobert_test.bat

      Набор данных: token_classification_drugprot

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/drugprot/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/drugprot/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/biobert_ner_drugprot.ckpt

    4. Метод проверки физических дескрипторов

      Пример использования (sh/bat скрипты):

      • train_QSAR_test.sh
      • train_QSAR_test.bat
      • infer_QSAR_test.sh
      • infer_QSAR_test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_regression_qm9.pickle

    5. Метрик и методов оценки неопределенности данных и неопределенности моделей

      Пример использования (sh/bat скрипты):

      • train_Catboost_uncertainty_test.sh
      • train_Catboost_uncertainty_test.bat
      • infer_Catboost_uncertainty_test.sh
      • infer_Catboost_uncertainty_test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_active_learning.pickle

    6. Алгоритмы дизайна эксперимента, поиска материалов с заданными свойствами

      Пример использования (sh/bat скрипты):

      • train_QSAR_test.sh
      • train_QSAR_test.bat
      • infer_QSAR_test.sh
      • infer_QSAR_test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_regression_qm9.pickle

    7. Aвтокодировщики (автоэнкодеры) данных

      Пример использования (sh/bat скрипты):

      • train_VAE_test.sh
      • train_VAE _test.bat
      • infer_VAE _test.sh
      • infer_VAE _test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/chem_vae.ckpt

    8. Алгоритм для решения прямой и обратной задачи поиска новых материалов

      Пример использования (sh/bat скрипты):

      • train_VAE_test.sh
      • train_VAE _test.bat
      • infer_VAE _test.sh
      • infer_VAE _test.bat
      • infer_VAE_reverce_test.sh
      • infer_VAE_reverce_test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/chem_vae.ckpt

    9. Алгоритмы с активным обучением, применяемые к широкому спектру систем, включая как кристаллические, так и молекулярные структуры

      Пример использования (sh/bat скрипты):

      • train_QSAR_AL_test.sh
      • train_QSAR_AL _test.bat
      • infer_QSAR_AL _test.sh
      • infer_QSAR_AL _test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_active_learning.pickle

    10. Алгоритмы для решения задач квантовой механики

      Пример использования (sh/bat скрипты):

      • train_QSAR_test.sh
      • train_QSAR_test.bat
      • infer_QSAR_test.sh
      • infer_QSAR_test.bat

      Набор данных: qm9

      Путь к набору данных (train): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/train.zip

      Путь к набору данных (test): https://api.blackhole.ai.innopolis.university/public-datasets/qm9/test.zip

      Веса предобученной модели: https://api.blackhole.ai.innopolis.university/pretrained/catboost_regression_qm9.pickle