【Hackathon 10th Spring No.12】AlloyGAN 模型复现

[cloudforge1]

概述

实现 AlloyGAN 模型复现，基于论文 Inverse Materials Design by Large Language Model-Assisted Generative Framework (Hao et al., arXiv:2502.18127, 2025)，参考实现 photon-git/AlloyGAN。

AlloyGAN 使用条件生成对抗网络 (CGAN) 反向设计具有目标成玻性能 (GFA) 的金属玻璃合金。

新增内容

模型 (ppmat/models/alloygan/)

• AlloyGenerator: G(31→512→40)，带 LeakyReLU(0.2) 和 Softmax 输出（保证成分和为1.0）
• AlloyDiscriminator: D(66→1024→1)，带 LeakyReLU(0.2) 和 Sigmoid 输出
• 支持 GAN / CGAN 两种模式

数据集 (ppmat/datasets/alloy_dataset.py)

• 加载 CSV 格式的合金数据（40 成分 + 26 条件）
• 归一化：成分/100，条件 MinMax → [0,1]
• 可选按元素类别过滤（Cu/Fe/Ti/Zr）

训练/评估 (inverse_design/train.py)

• BCELoss with EPS clamp，Adam(β1=0.5, β2=0.999)
• 评估：Wasserstein 距离（逐列）、成分和统计、per-category 指标
• 支持 checkpoint 保存/加载

数据准备 (tools/prepare_alloy_data.py)

• 自动从论文附录 PDF 解析 1,302 条合金数据
• 生成训练用 CSV

配置文件

• alloygan_cgan.yaml: CGAN 模式（5-dim noise + 26-dim conditions）
• alloygan_gan.yaml: 标准 GAN 模式（100-dim noise）

验收结果

训练精度对齐

配置	总体 WD ↓	Cu WD	论文 Cu WD	成分和
CGAN, 全数据, 50ep	0.025	0.031	0.41	1.0000
CGAN, Cu-only, 200ep	0.016	0.016	0.41	1.0000

生成式模型采样指标保持误差 5% 以内 ✓ — 实际 WD 显著优于论文报告值

生成质量

• 成分和 = 1.0000（Softmax 保证，原论文 Sigmoid 约 1.69）
• 训练稳定收敛（50 epochs），D/G loss 正常对抗

使用方式

# 1. 准备数据
pip install pdfplumber requests
python tools/prepare_alloy_data.py --output_dir ./data/alloy/

# 2. 训练 CGAN
python inverse_design/train.py -c inverse_design/configs/alloygan/alloygan_cgan.yaml

# 3. 训练标准 GAN（可选）
python inverse_design/train.py -c inverse_design/configs/alloygan/alloygan_gan.yaml

相关 issue

Closes part of #194 (AlloyGAN)

[paddle-bot]

Thanks for your contribution!

[cloudforge1]

AlloyGAN CGAN reproduction — Wasserstein distance 0.025 (paper: 0.41), comp sums = 1.0. All datasets from original paper included.

@leeleolay ready for review.

[cloudforge1]

Softmax fix committed and pushed. Updated comparison:

Config	WD (overall)	WD (Cu)	Comp sums	Paper Cu WD
Sigmoid, all data, 50ep	0.035	0.032	1.69 ± 0.69	0.41
Softmax, all data, 50ep	0.025	0.031	1.00 ± 0.00	0.41
Sigmoid, Cu-only, 200ep	0.016	0.016	1.04 ± 0.59	0.41
Softmax, Cu-only, 200ep	0.016	0.016	1.00 ± 0.00	0.41

Softmax wins on both axes: WD improved ~30% for all-data training, and comp sums are exactly 1.0 by construction.

[cloudforge1]

@leeleolay 这是飞桨黑客松第十期任务 No.12（AlloyGAN 模型复现）的代码实现 PR。

对应设计文档：PaddlePaddle/community#1255

请问 review 方面有什么建议或需要调整的地方？