data
分子数据抽象：Molecule、Dataset、FormatConverter
项目路径
把 ChemAI Lab 放回个人材料体系
这页展示长期技术方向，适合从项目区进入，也应能快速返回主页项目区、证据墙和一页简历。
项目简介
ChemAI Lab 是一个面向计算化学与机器学习交叉方向的研究平台，目标是把数据抽象、特征工程、模型训练、可解释性分析和量子化学接口整理成统一工具链。
当前项目聚焦不对称有机催化中的手性磷酸催化体系，计划从数据基础设施逐步推进到选择性预测、机理解释和逆向分子设计。
技术栈
PyTorch 核心工具
Lightning 核心工具
RDKit 核心工具
scikit-learn 核心工具
NumPy 核心工具
Pandas 核心工具
SciPy 核心工具
loguru 核心工具
Chemprop 可选集成
DeepChem 可选集成
DScribe 可选集成
MLatom 可选集成
模块架构
12 个核心模块覆盖完整科研工作流。
features
分子特征工程：描述符、特征存储、特征选择
models
模型注册、训练、调参、集成与评估
nn
神经网络模块与自定义层
pipeline
科研工作流编排与实验流程管理
qm
量子化学计算接口与几何结构处理
automl
自动超参数优化与模型搜索
evaluation
模型评估、指标计算与对比分析
xai
可解释性分析与特征重要性评估
viz
数据、模型结果和科研图表可视化
hub / pretrained
模型仓库与预训练权重管理
cli / config / utils
命令行、配置管理和通用工具
科学路线图
围绕 CPA 催化体系，从数据到模型再到设计。
1
数据基础设施
标准化数据格式、描述符库、反应条件编码和可视化工具。
阶段 1-202
不对称催化模型
CPA 特征描述符、选择性预测、SHAP 机制分析和多任务模型。
阶段 21-403
小样本学习
元学习、数据增强、主动学习和迁移学习。
阶段 41-604
机理驱动的可解释 AI
DFT 特征融合、反应势能面建模、因果推断和物理约束网络。
阶段 61-805
逆向设计
目标驱动分子生成、条件优化、自动化实验闭环和多目标优化。
阶段 81-100开发规范
- 代码风格Ruff + Black，目标 Python 3.11。
- 类型检查Mypy 非严格模式。
- 测试框架Pytest、覆盖率与基准测试插件。
- 文档Sphinx 与 mkdocs。
- CIGitHub Actions 自动检查。
- 许可证Apache 2.0。