步骤，所有代码基于python3运行

1. 运行 read-split.py

   • 该步骤会处理数据文件，并进行数据拆分。

2. 运行 read-input.py

   • 该步骤将处理输入数据，并进行必要的数据准备。

3. 运行 read-treat.py

   • 该步骤将执行统一数据大小。

4. 运行 train-force-e3.py

   • 该步骤用于训练模型。

安装依赖

此项目运行所需的 Python 库及其安装命令如下：

必要的库

• numpy: 用于高效的数值计算，特别是处理数组。

  • 安装命令: pip install numpy

• pandas: 用于数据处理和分析，尤其是操作数据框（DataFrame）。

  • 安装命令: pip install pandas

• pytorch ≥2.4.1 with CUDA ≥12.2: 用于深度学习训练和模型构建，CUDA 用于加速计算。

  • 安装命令:
    • 对于有 CUDA 支持的版本，可以使用如下命令安装：

      pip install torch==2.4.1+cu12.2 torchvision==0.15.1+cu12.2 torchaudio==2.4.1+cu12.2

    • 如果没有 CUDA 支持，直接安装 PyTorch：

      pip install torch==2.4.1

• torch_scatter: 用于在图神经网络中进行散射操作的库，支持稀疏张量操作。

  • 安装命令: pip install torch-scatter

• e3nn: 用于处理图形卷积神经网络中的对称性操作，专门用于处理对称张量、群表示和等变神经网络。

  • 安装命令: pip install e3nn

• torch.utils.tensorboard: 用于在训练过程中记录日志并可视化模型训练过程。

  • 安装命令: pip install tensorboard

• scikit-learn: 提供常用的机器学习工具，如数据预处理和模型评估等。

  • 安装命令: pip install scikit-learn

• torch.amp (Automatic Mixed Precision): 提供混合精度训练，帮助提高训练速度。

  • 已包含在 PyTorch 安装包中，无需单独安装。

注意事项

• 在训练时，请勿一开始开启混合精度训练功能，因为数值可能会不稳定，导致梯度消失。建议先进行一些初步训练后再启用混合精度训练。

输入文件要求

read-split.py 和 read-input.py 是两个用于数据处理的脚本，用户无需手动将笛卡尔坐标转换为广义坐标。然而，对于用户提供的原始文件格式，我们有一定的要求。请参考我们提供的 data.csv 文件格式。

示例内容：

40

……energy=-29654.71595871336 pbc="F F F"

C 4.65116481 -0.87536020 -0.95341924 -0.00226694 -0.00099080 -0.00055906 6

C 4.52871416 0.49243101 -0.68728938 0.00005086 0.00149402 -0.00094421 6

C 3.26602428 1.06821027 -0.44491504 -0.00220344 -0.00100710 0.00046995 6

C 2.10756895 0.23795426 -0.46852147 0.00088549 0.00012105 -0.00051350 6

……

文件格式要求：

1. 编码格式：文件应使用 UTF-8 编码。
2. 多帧结构：多个分子结构应保存在同一个文件中，不同的结构之间通过表头区分。每个结构的表头应包含类似 energy=xxxxxx 的字符串，用于提取该结构的能量。
3. 坐标内容：文件应包含 8 列数据，具体格式如下：
   • 原子名称（如 C、H、O、N 等）
   • 笛卡尔坐标：每个原子的 x、y、z 坐标。
   • 原子受力：每个原子在 x、y、z 方向的受力值。
   • 原子序号：每个原子的序号（如 6、1、8、7 等）。

请确保输入文件符合上述格式要求，便于数据处理和广义坐标转换。