课程项目中以公开晶体结构数据为样本，目标是回归预测带隙性质。负责特征工程与模型搭建，用Python与PyTorch实现图神经网络基线，并对比随机森林与描述符方法；与同组同学分工完成数据划分与结果复核。在固定训练/验证划分下，验证集MAE较描述符基线下降约12%，报告记录了误差分布与失败案例。后续补充了数据清洗与特征筛选的消融实验，进一步确认图结构信息对预测精度的贡献，并整理成可复现的实验记录。

个人项目模拟材料合成工艺参数与产率的关系，用合成数据构造小样本回归任务。独立完成数据生成、特征标准化与模型选型，基于PyTorch训练多层感知机并与梯度提升树对比，用交叉验证评估稳定性。在统一随机种子与五折口径下，最优模型验证集R²约0.86，并整理超参敏感性与后续实验建议。项目同时记录了特征重要性排序与不同样本量下的性能变化，为小样本场景下的模型选择提供了参考依据。