模型最终版-我可以发论文了
训练日志
| 指标 | 含义 | 评价 |
| Train Loss | 训练集上的总损失值（预测损失 + λ先验损失 + McMillan软约束） | 初始值较高，正常 |
| Val Loss | 验证集上的总损失值 | |
| R² | 决定系数，衡量模型拟合优度 | 负数表示模型预测效果比简单取平均值还差 |
| MAE | 平均绝对误差（单位：K） |
第一次运行结果
使用的是程序自己编
第二次运行
你要热力图，图像，要在运行train之后运行evaluate.py
使用数据集：SuperCon 2 CSV（既不是纯粹的 2D，也不是纯粹的 3D）
转化的 eph_dataset.pkl
运行结果
第三次
数据集 JARVIS supercon_2d
数据集确实包含'Tc'字段，且样本数 161。但转换后为 0，说明在处理过程中因异常被跳过了。我们需要增强转换脚本的错误容错和调试信息，找出具体原因并修复
再次下载
| 对比项 | 之前（SuperCon 2 CSV） | 现在（JARVIS supercon_2d） |
|---|---|---|
| 数据来源 | 文献挖掘的表格数据 | DFT 计算的结构数据 |
| 包含信息 | 仅化学式（如 LaMnO3） | 完整原子坐标 + 晶格常数 |
| 图构建方式 | 基于元素的全连接图（猜测） | 基于原子真实距离的近邻图 |
| 特征质量 | 粗糙的成分特征 | 精确的结构特征 |
| 物理真实性 | 弱 | 强（DFT 计算） |
🚀 进一步提升精度的建议
使用更大的
supercon_3d数据集（1058 个样本）
只需将脚本中的DATASET_NAME改为'supercon_3d'即可。用
dft_3d（7.6 万样本）进行自监督预训练
虽然dft_3d没有 Tc 标签，但可以设计一个代理任务（如预测原子间距离）让模型先学习通用晶体表示。集成学习
训练 5 个不同随机种子的模型，对预测结果取平均，通常能提升 2%~5% 的精度。后处理校准
在验证集上拟合一个保序回归校准器，修正预测值的系统偏差。
一个数据集用了3遍变化
用trae