版本：1.0

Molecure Ethylene carbonate system

下文将以 C3H4O3 孤立体系为例，介绍如何使用 PWMLFF Neural Network Model 进行训练，以及如何使用训练好的模型进行预测。

整个过程分为以下几个步骤：

1. 产生数据集

以 PWmat AIMD 模拟得到的 C3H4O3 数据为例，数据文件为MOVEMENT，包含 200 个结构，每个结构包含 10 个原子。

etot.input输入文件示例：

8  1   
JOB = MD
MD_DETAIL = 2 200 1 400 400
XCFUNCTIONAL = PBE
Ecut = 60
ECUT2 = 240
MP_N123 = 1 1 1 0 0 0 3
ENERGY_DECOMP = T
IN.ATOM = atom.config
IN.PSP1 = C.SG15.PBE.UPF
IN.PSP2 = H.SG15.PBE.UPF
IN.PSP3 = O.SG15.PBE.UPF

必选项ENERGY_DECOMP = T：把总 DFT 能量分解为属于每个原子的能量（原子能量）。结果输出在MOVEMENT文件中。
其他参数含义参考PWmat manual。

2. 训练过程

2.1 提取特征

新建目录PWdata，将MOVEMENT文件复制到该目录中。

NOTE

如果有多个MOVEMENT文件，需要在PWdata目录下分别新建目录（名称任意），并将 MOVEMENT 文件分别放入其中。每个目录只能放一个MOVEMENT。

2.2 训练输入文件

在PWdata同级目录下，新建main.py文件，执行该文件提取特征并进行训练。

输入文件示例：

from PWMLFF.nn_network import nn_network

if __name__ == '__main__':

    # atom type to be used. MUST BE SPECIFIED
    atom_type = [8,6,1]

    # feature to be used. MUST BE SPECIFIED
    feature_type = [7]

    # create an instance. MUST BE DONE.
    kfnn_trainer = nn_network(
                                atom_type = atom_type,
                                feature_type = feature_type,
                                n_epoch = 20,              # number of epochs
                                Rmax = 6.0,
                                Rmin = 0.5,
                                # is_trainEi = True,           # train atomic energy
                                kalman_type = "GKF",      # using global Kalman filter
                                device = "cuda",              # run training on gpu
                                recover = False,             # recover previous training
                                session_dir = "record"       # directory that contains
                                )

    # generate data from MOVEMENT files
    # ONLY NEED TO BE DONE ONCE
    kfnn_trainer.generate_data()

    kfnn_trainer.load_and_train()

atom_type：原子类型，8, 6 和 1 分别为 O, C 和 H 的原子序数
feature_type：特征类型，5 对应 Moment Tensor Potential，详见特征类型
n_epoch：训练迭代次数
Rmax：特征的最大截断半径
Rmin：特征的最小截断半径
is_trainEi：是否训练原子能量，默认为 False
kalman_type：优化器类型，默认为GKF，可选LKF和selected
device：训练设备，默认为cuda，可选cpu
recover：是否继续之前的训练，默认为False
session_dir：训练记录保存目录，默认为record

提示

以下二个函数可根据实际使用情况选择执行：

kfnn_trainer.generate_data() - 用于产生特征，仅需运行一次。例如需要重新启动训练时,只需注释掉该行再次执行程序即可。
kfnn_trainer.load_and_train() - 用于加载特征,对特征进行处理后开始训练。

2.3 运行

以下适用于 Mcloud,提交任务时确保已经加载必要的环境和模块。

#!/bin/sh
#SBATCH --partition=3080ti
#SBATCH --job-name=mlff
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=1
#SBATCH --gres=gpu:1
#SBATCH --gpus-per-task=1

python main.py > log

交互式运行：

$ srun -p 3080ti --gres=gpu:1 --pty /bin/bash
$ python main.py

程序运行后，会在PWdata目录下生成input,output,train_data,fread_dfeat及record目录，同时PWdata目录下会产生新的文件：

input
- location
- info_dir
- gen_*_feature.in
- egroup.in
output
- grid*
- max_natom
- out_write_egroup
fread_dfeat
- feat.info
- vdw_fitB.ntype
- NN_output
  - dfeatname*
  - egroup*
  - feat*
  - natom*
  - NNEi
  - NNFi
train_data
- final_train
  - *.npy
- final_test
  - *.npy
PWdata
- location
- dfeat*
- info*
- trainData*
- inquirepos*
- MOVEMENTall
- Egroup_weight
record
- iter_loss.dat：每个 batch 的训练误差
- iter_loss_valid.dat：每个 batch 的验证误差
- epoch_loss.dat: 每个 epoch 的训练误差
- epoch_loss_valid.dat：每个 epoch 的验证误差
- scaler.pkl: extracting scaler values of the model
- model
  - *.pt: extracting parameters of the model

epoch_loss.dat&epoch_loss_valid.dat

loss 对应训练总误差
RMSE_Etot 对应训练能量误差
RMSE_F 对应训练力误差

如果训练集的误差比验证集的误差明显偏小,表明训练过拟合,可适当增加训练集的大小或调整 batch_size 的数量。

3. 验证/测试

训练完成后，可以对模型进行验证/测试，以确定模型的拟合效果。

在PWdata同级目录下，新建MD目录，将另一个的MOVEMENT文件复制到该目录中。

警告

该 MOVEMENT 文件同样需要在 AIMD 模拟过程中设置ENERGY_DECOMP = T，以便提取原子能量。

验证输入文件示例：

from PWMLFF.nn_network import nn_network

if __name__ == '__main__':

    # atom type to be used. MUST BE SPECIFIED
    atom_type = [8,6,1]

    # feature to be used. MUST BE SPECIFIED
    feature_type = [7]

    # create an instance. MUST BE DONE.
    kfnn_trainer = nn_network(
                                atom_type = atom_type,
                                feature_type = feature_type,
                                n_epoch = 20,              # number of epochs
                                Rmax = 6.0,
                                Rmin = 0.5,
                                # is_trainEi = True,           # train atomic energy
                                kalman_type = "GKF",      # using global Kalman filter
                                device = "cuda",              # run training on gpu
                                recover = False,             # recover previous training
                                session_dir = "record"       # directory that contains
                                )

    # extract network parameters for inference module. MUST-HAVE, ONLY ONCE
    kfnn_trainer.extract_model_para()

    # run evaluation
    kfnn_trainer.evaluate()

    # plot the evaluation result
    kfnn_trainer.plot_evaluation(plot_elem = False, save_data = False)

提示

kfnn_trainer.extract_model_para() - 该函数用于提取训练好的模型参数，必须在evaluate()函数之前执行。
kfnn_trainer.evaluate() - 该函数调用/MD/MOVEMENT用于验证训练好的模型
kfnn_trainer.plot_evaluation() - 用于绘制验证结果图，结果保存在plot_data目录下
- plot_elem: 是否绘制元素能量，默认为False。若为True，则会绘制每种元素的原子能量
- save_data: 是否保存验证结果，默认为False。

4. 使用模型进行预测

通过对模型的验证，可以确定模型的拟合效果。在模型拟合效果满意的情况下，可以使用模型进行分子动力学预测。

首先需要准备一个初始构型文件，例如atom.config文件。该文件可以不同于训练时的构型文件，但需要保证原子类型与训练时一致。

输入文件示例：

from PWMLFF.nn_network import nn_network

if __name__ == '__main__':

    # atom type to be used. MUST BE SPECIFIED
    atom_type = [8,6,1]

    # feature to be used. MUST BE SPECIFIED
    feature_type = [7]

    # create an instance. MUST BE DONE.
    kfnn_trainer = nn_network(
                                atom_type = atom_type,
                                feature_type = feature_type,
                                n_epoch = 20,              # number of epochs
                                Rmax = 6.0,
                                Rmin = 0.5,
                                # is_trainEi = True,           # train atomic energy
                                kalman_type = "GKF",      # using global Kalman filter
                                device = "cuda",              # run training on gpu
                                recover = False,             # recover previous training
                                session_dir = "record"       # directory that contains
                                )

    # md_detail array
    md_detail = [1,1000,1,500,500]

    # run MD
    kfnn_trainer.run_md(md_details = md_detail, follow = False)

提示

md_detail - 用户必须自行设置的 MD 参数: 1) MD 类型，2) MD 步数，3) MD 步长，4) MD 初始温度，5) MD 终止温度。详细设置请参考PWmat manual
kfnn_trainer.run_md() - 运行 AIMD 模拟的函数，该函数运行结束后会在当前目录下生成一个新的MOVEMENT文件
- follow: 删除旧的 MOVEMENT 文件，默认为False。若为True，则会在原来的 MOVEMENT 文件上继续追加新的 MD 结果。

5. All-in-one

以下是一个完整的训练、验证、预测的示例（需要准备好atom.config及MD/MOVEMENT）：

"""
    example of Neural Network workflow
"""
from PWMLFF.nn_network import nn_network

if __name__ == '__main__':

    # atom type to be used. MUST BE SPECIFIED
    atom_type = [8,6,1]

    # feature to be used. MUST BE SPECIFIED
    feature_type = [7]

    # create an instance. MUST BE DONE.
    kfnn_trainer = nn_network(
                                atom_type = atom_type,
                                feature_type = feature_type,
                                n_epoch = 20,              # number of epochs
                                Rmax = 6.0,
                                Rmin = 0.5,
                                # is_trainEi = True,           # train atomic energy
                                kalman_type = "GKF",      # using global Kalman filter
                                device = "cuda",              # run training on gpu
                                recover = False,             # recover previous training
                                session_dir = "record"       # directory that contains
                                )

    # generate data from MOVEMENT files
    # ONLY NEED TO BE DONE ONCE
    kfnn_trainer.generate_data()

    kfnn_trainer.load_and_train()

    # extract network parameters for inference module. MUST-HAVE, ONLY ONCE
    kfnn_trainer.extract_model_para()

    # run evaluation
    kfnn_trainer.evaluate()

    # plot the evaluation result
    kfnn_trainer.plot_evaluation(plot_elem = False, save_data = False)

    # md_detail array
    md_detail = [1,1000,1,500,500]

    # run MD
    kfnn_trainer.run_md(md_details = md_detail, follow = False)

Molecure Ethylene carbonate system

1. 产生数据集​

2. 训练过程​

2.1 提取特征​

2.2 训练输入文件​

2.3 运行​

3. 验证/测试​

4. 使用模型进行预测​

5. All-in-one​