材料预测和设计

寻找材料的组分/结构和其物理性质之间的关系是材料科学中的重要课题。自上个世纪以来，人类已利用原子尺度的纯量子力学方法和宏观尺度的有限元方法发展了各种模型。而最近，基于机器学习的材料物性预测方法发展迅猛。

在本挑战中，我们提供了一组合金的玩具数据集 toy_alloy_data.csv。前 12 列对应合金中 12 种元素的比例，其和为 1。最后 6 列对应 6 个属性。

通常建立一个模型来从成分预测物理性质并不是一件困难的事。在 DeepVerse_Challenge_1.ipynb 中，我们提供了一个利用PyTorch 实现的从成分预测物理性质的神经网络模型。

挑战 1
- 1. 你能尝试改进上述模型提升它的准确度吗？
- 2. 进一步改善模型，增强它的鲁棒性，即当丢失数据时 （比如丢失了其中 20% 的条目toy_alloy_data_with_missings.csv），模型依然能顺利运行且给出合理的预测值。
- 3. 你能找到一种方法实现上述模型的逆向功能吗？即根据一组给定的目标属性预测相应的成分？你的方法可以不仅限于上述神经网络模型。但是，请注意预测出的成分应该有正确的物理内涵，即都是正数并且总和为 1。


预测晶体的弹性

材料项目 (https://materialsproject.org/) 是一个提供材料特性的开放访问数据库，其中公布了 13822 种化合物的弹性特性。

挑战 2
- 1. 开发和训练一个机器学习模型，该模型能够仅从晶体的成分中预测刚度张量。
- 2. 开发和训练另一种机器学习模型，该模型能够从晶体的成分和结构中预测刚度张量。 （参考近期提出的晶体图神经网络 https://tony-y.github.io/cgnn/）
- 3. 比较以上两种模型的准确率，解释二者各自的优劣性。
- 4. 重复同样的步骤来预测晶体的压电张量。