海山

1. 背景与目标 PCQM4Mv2 是一个基于图神经网络(GNN)的分子属性预测项目，旨在解决量子化学分子特性预测的挑战。该项目使用了 Open Graph Benchmark (OGB) 中的 PCQM4Mv2 数据集，这是一个大规模的量子化学分子数据集，包含约 400 万个分子的量子力学性质预测任务。 项目目标 ： - 提供完整的工具链，从数据下载、预处理到模型训练和评估 - 实现基于 PyTorch Geometric (PyG) 和 Deep Graph Library (DGL) 的基线模型 - 为研究人员和开发者提供一个标准化的框架，用于开发和测试分子图神经网络模型 - 支持用户生成符合 OGB 竞赛要求的提交结果 2. 功能模块介绍 2.1 数据处理模块 - 数据下载 ：从 OGB 官方服务器下载 PCQM4Mv2 数据集的 SDF 文件 - 数据验证 ：使用 MD5 校验确保下载的数据完整性 - 数据提取 ：解压缩 SDF 文件 - 图构建 ：使用 RDKit 将分子的 SMILES 表示转换为图结构，包括原子特征和键特征 2.2 模型训练模块 - PyG 基线 ：基于 PyTorch Geometric 实现的图神经网络模型 - DGL 基线 ：基于 Deep Graph Library 实现的图神经网络模型（可选） - 训练配置 ：支持自定义设备、批量大小、训练轮数等参数 - 模型保存 ：自动保存最佳模型检查点 2.3 评估与提交模块 - 性能评估 ：计算预测结果的平均绝对误差 (MAE) - 提交生成 ：生成符合 OGB 竞赛要求的测试提交文件 - 结果可视化 ：使用 TensorBoard 记录训练过程和性能指标 3. 功能路径描述 3.1 环境搭建与数据准备 1. 环境配置 ： - 创建并激活 conda 环境 - 执行 install_rdkit.sh 安装 RDKit（分子处理库） - 执行 pip install -r requirements.txt 安装 Python 依赖 2. 数据下载与预处理 ： - 下载 SDF 文件： python download_and_preprocess.py --root dataset/ --download-sdf --extract - 构建 OGB 数据集（图结构）： python download_and_preprocess.py --root dataset/ --build （可能需要数小时） 3.2 数据集使用 - SMILES 操作演示 ： python dataset_demo.py （仅使用 SMILES 表示的操作，快速运行） - 评估器演示 ： pyth