材料设计 AI：晶体结构与性能的生成式预测

pymatgen # 材料学结构处理 matgl / MEGNet # 图神经网络预训练模型 torch-geometric # 图数据批量与建模 DiffCSP / CDVAE # 扩散模型生成晶体 ase # 结构可视化与对称性分析

安装示例（基于 conda）：
```bash
conda create -n matgen python=3.10
conda activate matgen
pip install pymatgen matgl ase
pip install torch torch-geometric
# 克隆 CDVAE 或 DiffCSP 仓库按说明安装

5. 动手实例：用 CDVAE 生成新型电池材料

CDVAE（Crystal Diffusion Variational Autoencoder）能够直接生成分数坐标和晶格参数，并保证周期不变性。以下演示其基本流程。

5.1 数据准备

从 Materials Project 下载训练集，筛选形成能 < 0 eV/atom 的稳定晶体。导出为 .pkl 格式，包含原子序数、分数坐标、晶格矩阵。使用 pymatgen 解析 CIF 文件并转换：

from pymatgen.core import Structure
struct = Structure.from_file("example.cif")
# 提取原子序数、坐标、晶格
atomic_numbers = struct.atomic_numbers
frac_coords = struct.frac_coords
lattice = struct.lattice.matrix

5.2 模型训练（核心代码片段）

from cdvae import CDVAE, train_cdvae

model = CDVAE(
    max_atoms=20,          # 晶胞最大原子数
    latent_dim=128,
    hid_dim=256,
    num_layers=4
)
train_cdvae(model, data_path="mp_data.pkl", epochs=100, batch_size=64)

训练后，模型隐空间已编码晶体的几何与成分信息。

5.3 条件生成：定向设计高离子电导率结构

已有条件模型可接受性质标签。若只训练了无条件模型，可通过隐空间优化+代理模型实现：

1. 训练一个图网络预测离子电导率（如用 MEGNet）
2. 在采样隐向量时用梯度下降最大化预测值

z = torch.randn(1, 128, requires_grad=True)
optimizer = torch.optim.Adam([z], lr=0.01)
for _ in range(100):
    pred_conductivity = surrogate_model(decode(z))
    loss = -pred_conductivity  # 最大化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
generated = model.decode(z)  # 得到与高电导率对应的晶体