mindchemistry.cell.orb.NodeHead

class mindchemistry.cell.orb.NodeHead(latent_dim: int, num_mlp_layers: int, mlp_hidden_dim: int, target_property_dim: int, dropout: Optional[float] = None, remove_mean: bool = True)

节点级预测头。

实现用于从节点特征预测节点级属性的神经网络头。该头可以添加到基础模型中以在预训练期间启用辅助任务，或在微调步骤中添加。

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) - 节点级目标属性的输出维度。

• dropout (Optional[float]，可选) - MLP的dropout率。默认值： None。

• remove_mean (bool，可选) - 如果为True，从输出中移除均值，通常用于力预测。默认值： True。

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 "node_pred" 的字典，值的形状为 \((n_{nodes}, target\_property\_dim)\)。

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 NodeHead
>>> node_head = NodeHead(
...     latent_dim=256,
...     num_mlp_layers=1,
...     mlp_hidden_dim=256,
...     target_property_dim=3,
...     remove_mean=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 = node_head(node_features, n_node)
>>> print(output['node_pred'].shape)
(4, 3)