mindchemistry.cell.orb.GraphHead

class mindchemistry.cell.orb.GraphHead(latent_dim: int, num_mlp_layers: int, mlp_hidden_dim: int, target_property_dim: int, node_aggregation: str = 'mean', dropout: Optional[float] = None, compute_stress: Optional[bool] = False)[源代码]

图级预测头。实现可以附加到基础模型的图级预测头，用于从节点特征预测图级属性（例如应力张量），使用聚合和MLP。

参数：

latent_dim (int) - 每个节点的输入特征维度。
num_mlp_layers (int) - MLP中的隐藏层数量。
mlp_hidden_dim (int) - MLP的隐藏维度大小。
target_property_dim (int) - 图级属性的输出维度。
node_aggregation (str，可选) - 节点预测的聚合方法，例如 "mean" 或 "sum"。默认值： "mean"。
dropout (Optional[float]，可选) - MLP的dropout率。默认值： None。
compute_stress (bool，可选) - 是否计算和输出应力张量。默认值： False。

输入：

node_features (dict) - 节点特征字典，必须包含键"feat"，形状为 \((n_{nodes}, latent\_dim)\)。
n_node (Tensor) - 图中节点数量，形状为 \((1,)\)。

输出：

output (dict) - 包含键"stress_pred"的字典，值的形状为 \((1, target\_property\_dim)\)。

异常：

ValueError - 如果 node_features 中缺少必需的特征键。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> import mindspore
>>> from mindspore import Tensor
>>> from mindchemistry.cell.orb.gns import GraphHead
>>> graph_head = GraphHead(
...     latent_dim=256,
...     num_mlp_layers=1,
...     mlp_hidden_dim=256,
...     target_property_dim=6,
...     compute_stress=True,
... )
>>> n_atoms = 4
>>> n_node = Tensor([n_atoms], mindspore.int32)
>>> atomic_numbers = Tensor(np.random.randint(1, 119, size=(n_atoms,), dtype=np.int32))
>>> atomic_numbers_embedding_np = np.zeros((n_atoms, 118), dtype=np.float32)
>>> for i, num in enumerate(atomic_numbers.asnumpy()):
...     atomic_numbers_embedding_np[i, num - 1] = 1.0
>>> node_features = {
...     "atomic_numbers": atomic_numbers,
...     "atomic_numbers_embedding": Tensor(atomic_numbers_embedding_np),
...     "positions": Tensor(np.random.randn(n_atoms, 3).astype(np.float32)),
...     "feat": Tensor(np.random.randn(n_atoms, 256).astype(np.float32))
... }
>>> output = graph_head(node_features, n_node)
>>> print(output['stress_pred'].shape)
(1, 6)