> For the complete documentation index, see [llms.txt](https://kmds-1.gitbook.io/k-mds/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://kmds-1.gitbook.io/k-mds/undefined/undefined-5/ai/undefined.md). # 다공성 물질 물성치 예측 ## 1.Data Preparation 1\) 데이터 전처리

① K-MDS 메인 화면의 메뉴에서 분석 > AI 특화 분석 화면으로 이동하여 다공성 소재 물성치 예측 \ (MOFTransformer)에 있는 분석실행 버튼을 클릭하고, Data Preparation 클릭 ② 내 PC 데이터 클릭: 내 PC에 있는 데이터를 업로드하여 분석 ③ 내 PC에 있는 데이터 폴더 선택\ - 데이터셋은 반드시 CIF 파일들과 CIF 파일명 및 이들의 특성치로 구성된 JSON 파일이 있어야 함 ④ 마이 드라이브 클릭: 마이 드라이브에 있는 데이터를 업로드하여 분석할때 클릭\ \- 마이 드라이브에 데이터들을 미리 업로드해야 함. ⑤ 마이 드라이브에 있는데이터 폴더 선택\ - 데이터셋은 반드시 CIF 파일들과 CIF 파일명 및 이들의 특성치로 구성된 JSON 파일이 있어야 함 ⑥ 샘플 데이터셋 클릭\ \- 내장된 샘플 데이터셋으로 분석할때 클릭 ⑦ 파일 다운로드 클릭: 샘플 데이터셋으로 20개의 CIF 파일과 각 CIF 파일의 Bandgap Energy 값을 가지는 \ 1개의 JSON 파일로 구성되어 있으며, 다운로드하고 압축을 풀어서 분석에 사용 ⑧ 학습용 데이터셋 클릭 및 분할 비율 선택: 값은 반드시 양수가 되어야 하고 합계는 1이 되어야 함. ⑨ 분할하지 않음 (추론용) 클릭: 추론할 경우에 선택하며, 추론용 데이터는 데이터 전체를 테스트셋으로 사용. ⑩ 실행 버튼클릭: 데이터 분할 결과를 저장할 폴더를 생성하고, 분할을 진행하고 결과 저장. 2\) 내 PC 데이터 선택: 위 1)항의 ③ 클릭하면 나타남

① 대용량 업로드 팝업창에서 폴더 추가 클릭: 내 PC의 폴더를 선택할 수 있는 윈도우 생성 ② 윈도우에서 데이터가 있는 폴더 선택 ③ CIF 및 JSON 파일이 있는 폴더 선택 ④ 폴더 선택 클릭 ⑤ 파일 업로드 클릭\ \- 선택한 폴더에 있는 CIF 파일들과 JSON 파일이 업로드\ \- 결과는 테이블로 표출되며 데이터 분할 전 상태를 확인할 수 있음. 3\) 마이 드라이브 데이터 선택: 위 1)항의 ⑤ 클릭하면 표출

① CIF 및 JSON 파일이 있는 폴더 선택 ② 선택 버튼클릭: 선택한 폴더에 있는 CIF 파일들과 JSON 파일이 업로드 됨\ \- 결과는 테이블로 표출되며 데이터 분할 전 상태를 확인할 수 있음. 4\) 데이터 분할 실행 및 결과 저장: 위 1)항의 ⑧ 실행 버튼을 클릭하면 표출

① 데이터 분할 결과를 저장할 폴더를 선택\ \- 특정 폴더에 저장할 경우: + 버튼을 클릭하여 폴더를 생성하여 이름을 부여하고 그 폴더에 저장 ② 선택 버튼 클릭: 데이터 분할이 진행되며, 장시간 소요됨\ \- CIF 파일 20개 기준으로 3 \~ 5분 소요됨\ \- 분할 결과는 output > dataset 폴더가 생성되고 그 하위 폴더에 저장 \ \- 분할 결과로 Train, Valid, Test, Total 폴더가 생성되고 각 폴더의 이름을 가진 JSON 파일이 생성\ \- CIF 파일에서 graphdata, grid, griddata16 파일이 생성\ \- 테이블을 통해 데이터 데이터 분할 전후를 확인할 수 있음. ## 2.Train 1\) 학습

① Train 클릭: 분할된 데이터를 이용하여 학습 진행 ② 하이퍼파라미터 입력 ③ 사전 학습 모델 선택: PMTransformer 또는 MOFTransformer 중에서 선택 ④ 분할된 dataset 폴더 선택: 위의 1항에서 진행한 분할된 dataset 폴더 선택\ \- 데이터 분할이 끝나면 분할된 json 데이터셋 폴더가 자동으로 선택됨: 학습 버튼을 클릭하면 됨\ \- 분할된 JSON 파일이 있는 폴더를 직접선택하여 입력할 수도 있음 ⑤ 학습 버튼클릭: 학습 결과를 저장할 폴더 생성 및 학습을 진행하고 결과 저장\ \- 데이터 분할이 끝나면 데이터셋 폴더가 자동으로 입력되기 때문에 학습 버튼을 클릭하면 됨 2\) 학습 실행 및 결과 저장: 위 1)항의 ⑤ 실행 버튼을 클릭하면 표출

① 학습 버튼을 클릭하면 그 결과를 저장할 폴더를 선택하는 창이 나타남 ② 학습 결과를 저장할 폴더를 선택\ \- 특정 폴더에 저장할 경우: + 버튼을 클릭하여 폴더를 생성하여 이름을 부여하고 그 폴더에 저장 ③ 선택 버튼 클릭하면 학습 진행: 장시간 소요되므로 주의\ \- CIF 파일 20개 기준으로 3 \~ 5분 소요됨 \ \- 학습 결과는 output > logs > pretrained\_mof\_seed0\_from\_pmtransformer > version\_0 >\ checkpoints 폴더가 생성되고 여기에저장\ \- best.ckpt 및 last.ckpt 파일 생성\ \- 학습 결과는 테이블 형태로 화면에 표출되고, JSON 파일로 저장됨 ## 3.Test 1\) 테스트

① Test 클릭: 분할된 JSON 파일을 이용하여 학습된 ckekpoint 파일의 성능을 확인 ② 학습된 모델 선택: 학습된 결과가 저장된 logs 하위폴더에서 best.ckpt 또는 last.ckpt 파일 선택\ \- 학습이 끝나면 학습 모델로 best.ckpt가 자동으로 선택됨 ③ 분할된 json 데이터셋 폴더: test.json 파일이 있는 dataset 폴더 선택\ \- 학습이 끝나면 분할된 json 데이터셋 폴더가 자동으로 선택됨: 실행 버튼을 클릭하면 됨 ④ 실행 버튼클릭: 테스트 결과를 저장할 폴더 생성 및 테스트를 진행하고 결과 저장 2\) 테스트 실행 및 결과 저장: 위 1)항의 ④ 실행 번튼을 클릭하면 표출

① 실행 버튼을 클릭하면 테스트 결과를 저장할 폴더를 선택하는창이 나타남 ② 테스트 결과를 저장할 폴더 선택\ \- 특정 폴더에 저장할 경우: + 버튼을 클릭하여 폴더를 생성하여 이름을 부여하고 그 폴더에 저장 ③ 선택 버튼 클릭하면 테스트 진행 \ \- 테스트 결과는 테이블 형태로 화면에 표출되고, JSON 파일로 저장됨 ## 4.Predict 1\) 예측

① Predict 클릭: 학습 모델과 분할된 JSON 파일을 이용하여 다공성 소재 물성치 예측 ② 학습된 모델 선택: 학습된 결과가 저장된 logs 폴더에서 best.ckpt 또는 last.ckpt 파일 선택\ \- 학습이 끝나면 학습모델로 best.ckpt가 자동으로 선택됨 ③ 분할된 데이터가 저장된 폴더에서 JSON 파일 선택\ \- Train, Valid, Test json 파일중 1개를 선택해서 예측 가능\ → 학습이 끝나면 test.json 파일이 자동으로 선택됨: 실행 버튼을 클리하면 됨\ → 1개의 파일을 선택하면, 예측 결과 테이블과 예측 결과 그래프가 출력됨\ \- Train, Valid, Test JSON 파일 모두를 선택해서 예측 가능\ → Train, Valid, Test 각각의예측 결과 그래프가 출력됨 ④ 실행 버튼 클릭: 예측 결과를 저장할 폴더 생성 및 예측을 진행하고 결과 저장\ \- Train, Valid, Test JSON 파일 모두를 선택하면 3개의 그래프가 화면에 표출되고 csv 파일로 저장됨\ \- 1개 파일을 선택하면 테이블과 그래프가 화면에 표출되고, 테이블은 csv 파일로 저장 2\) 예측할 파일 선택

① 실행 버튼을 클릭하면 예측할 json 파일을 선택하는 창이 나타남 ② dataset 폴더를 찾아서 예측할JSON 파일 선택\ \- Train, Valid, Test JSON 모두를 선택하여 예측 진행\ \- 1개의 JSON 파일을 선택하여 예측 진행\ → 학습이 끝나면 test.json 파일이 자동으로 선택: 실행 버튼 클릭하면 됨\ \- 추론용 데이터를 이용하여 예측을 진행할 경우: 추론용 데이터셋 폴더에서 test JSON 파일 선택 ③ 선택 버튼 클릭: 예측이 진행되고 예측결과는 표와 이미지로 나타남
3\) 예측 실행 및 결과 저장: 위 1)항의 ④ 실행을 클릭하면 표출

① 실행을 클릭하면 예측 결과를 저장할 폴더를 선택하는 창이 나타남 ② 예측 결과를 저장할 폴더 선택\ \- 특정 폴더에 저장할 경우: + 버튼을 클릭하여 폴더를 생성하여 이름을 부여하고 그 폴더에 저장 ③ 선택 버튼 클릭: 예측이 실행되고, 예측결과는 테이블과 이미지로 저장됨\ \- 테이블은 CSV 파일로, 이미지는 png 파일로각각 저장됨 ## 5.Feature Importance Analysis 1\) Feature Importance 분석

① 분할된 테스트 데이터셋 폴더에 있는 CIF 파일과 Finetuned된 모델을 이용해서 다공성 물질의 특성을\ 분석하여 이미지로 표출 ② 분할된 테스트 데이터셋 폴더에 있는 CIF 파일 선택: 반드시 test json 파일이 있어야 함\ \- 학습이 끝나면 데스트 데이터셋 폴더에 있는 첫번째 CIF 파일이 자동으로 선택됨: 실행 버튼을 클릭하면 됨\ \- CIF 파일을 변경하려면 아래 2)항의 순서로 진행하여 선택하고 분석 ③ Finetuned 모델 선택: 현재는 bandgap, H2 uptake, best\_mtp\_moc\_vfp에 대해서만 분석 가능 2\) CIF 파일 선택

① 파일 선택 버튼 클릭: CIF 데이터 파일을 선택할 수 있는 창이 나타남 ② 데이터셋에서 test 데이터셋을 클릭하여 분석하고자 하는 CIF 파일을 선택\ \- 학습이 끝나면 test 데이터셋 폴더에 있는 첫번째 CIF 파일이 자동으로 선택됨: 실행 버튼을 클릭하면 됨 ③ 선택 버튼을 클릭\ \- Finetuned된 모델 선택하고 실행 클릭 3\) 분석 실행 및 결과 저장: 위 1)항의 ④ 실행 버튼 클릭시 표출

① 실행 버튼 클릭: 분석 결과를 저장할 폴더를 선택하는 창이 나타남 ② 분석결과를 저장할 폴더 선택\ \- 특정 폴더에 저장할 경우: + 버튼을 클릭하여 폴더를 생성하여 이름을 부여하고 그 폴더에 저장 ③ 선택 버튼 클릭하면 분석이 실행되고, 분석결과는이미지로 표출\ \- 결정구조, Atom-based Graph Embeddings, Energy-based Embeddings 이미지가 각각 표출