跳到主要内容
版本:1.1

Parameter details

本节介绍了所有模型中可由用户定义的参数,可以分为必要参数和高级参数两类。必要参数需要用户指定,高级参数采用了默认值,用户可以在 json 文件中根据需求手动修改。在下面的参数中,"相对路径(relative path)" 表示相对于当前工作目录的路径,而 "绝对路径(absolute path)" 表示从根目录开始的文件或目录的完整路径。

必要参数

对于任何模型,以下参数需要用户输入。

model_type 该参数用于指定用于训练的模型类型。您可以使用LINEAR模型,NN模型,或者DP模型。

atom_type 该参数用于设置训练体系的元素类型。用户可以按照任意顺序指定元素的原子序数。例如,对于单元素系统如铜,可以设置为 [29],而对于多元素系统如 CH4,则可以设置为 [1, 6]。

max_neigh_num 最大邻居数,其默认值为100。然而,对于某些系统来说,这个值可能不足以容纳所有的邻居,导致特征生成失败。在这种情况下,将会弹出以下警告信息:

Error! maxNeighborNum too small

在这种情况下,调大该值。

train_movement_file 该参数用于指定训练任务的 MOVEMENT 文件所在的路径。您可以使用相对路径或绝对路径。

test_movement_file 该参数用于指定测试任务的 MOVEMENT 文件所在的路径。您可以使用相对路径或绝对路径。它应该与model_load_file参数一同指定。

model_load_file 该参数用于指定用于测试任务的模型所在的路径。它应该与test_movement_file参数一同指定。

高级参数

用户只需要设置必要参数即可完成模型的训练、测试和相关分子动力学过程。相应的高级参数,如模型超参数和优化器超参数,将被设置为默认值。这些高级参数也可以在 json 文件中进行设置。

train_valid_ratio 该参数指定训练集与验证集的比例。例如,0.8 表示将 MOVEMENT 中前 80% 的 images 作为训练集,剩余的 20% 作为验证集。默认值为 0.8

recover_train 该参数用于从中断的 DP 或 NN 训练任务中恢复训练。默认值为 false

work_dir 该参数用于设置执行训练、测试和其他任务的工作目录。它可以设置为绝对路径或相对路径。默认值是相对路径./work_dir

reserve_work_dir 该参数用于指定在任务执行完成后是否保留工作目录 work_dir。默认值为 False,意味着在执行完成后该目录将被删除。

model 参数

该参数用于指定模型的参数,包括描述符(descriptor)拟合网络(fitting_net) 两个部分。对于线性模型,则不需要指定拟合网络和优化器。

Linear model

Linear 模型的完整参数设置如下:

    "model": {
"descriptor": {
"Rmax": 6.0,
"Rmin": 0.5,
"feature_type": [3,4]
}
}

Rmax 特征的最大截断半径。默认值为 6.0A˚6.0 \text{\AA}

Rmin 特征的最小截断半径。默认值为 0.5A˚0.5 \text{\AA}

feature_type 该参数用于特征类型,与NN 模型中的设置相同。支持的选项有[1, 2]、[3, 4]、[5]、[6]、[7]和[8]。默认值为[3, 4],即 2-b 和 3-b 高斯特征。有关不同特征类型的更详细信息,请参考附录

NN model

NN 模型的完整参数设置如下:

    "model": {
"descriptor": {
"Rmax": 6.0,
"Rmin": 0.5,
"feature_type": [3,4]
},
"fitting_net": {
"network_size": [15,15,1]
}
}

Rmax 特征的最大截断半径。默认值为 6.0A˚6.0 \text{\AA}

Rmin 特征的最小截断半径。默认值为 0.5A˚0.5 \text{\AA}

feature_type 该参数用于特征类型。支持的选项有[1, 2]、[3, 4]、[5]、[6]、[7]和[8]。默认值为[3, 4],即 2-b 和 3-b 高斯特征。有关不同特征类型的更详细信息,请参考附录

network_size 该参数用于拟合网络(fitting_net)的结构。默认值为[15, 15, 1],其结构如下所示: 输入层(输入数据维度)➡ 隐藏层 1(15 个神经元)➡ 隐藏层 2(15 个神经元)➡ 输出层(1 个神经元)

DP model

DP 模型的完整参数设置如下:

    "model": {
"descriptor": {
"Rmax": 6.0,
"Rmin": 0.5,
"M2": 16,
"network_size": [25,25,25]
},
"fitting_net": {
"network_size": [50,50,50,1]
}
}

Rmax DP 模型中平滑函数的最大截断半径。默认值为 6.0A˚6.0 \text{\AA}

Rmin DP 模型中平滑函数的最小截断半径。默认值为 0.5A˚0.5 \text{\AA}

M2 该参数用于 DP 模型中的网络,确定嵌入网络的输出大小和拟合网络的输入大小。在示例中,嵌入网络的输出大小为(25 X 16),拟合网络的输入大小为(25 X 16 = 400)。默认值为 16。

network_size 该参数用于嵌入网络(embedding_net)和拟合网络(fitting_net)的结构。默认值分别为[25, 25, 25]和[50, 50, 50, 1]。对应的网络结构如下所示:

嵌入网络的结构: 输入层(输入数据维度)➡ 隐藏层 1(25 个神经元)➡ 隐藏层 2(25 个神经元)➡ 输出层 3(25 个神经元)

拟合网络的结构: 输入层(M2 X 25)➡ 隐藏层 1(50 个神经元)➡ 隐藏层 2(50 个神经元)➡ 隐藏层 3(50 个神经元)➡ 输出层(1 个神经元)

optimizer 优化器

可用于训练 DP 或 NN 模型的优化器,有KF(Kalman Filter)优化器ADAM 优化器

KF optimizer

KF 优化器的完整参数设置如下:

    "optimizer": {
"optimizer": "LKF",
"epochs": 30,
"batch_size": 1,
"print_freq": 10,
"block_size": 5120,
"kalman_lambda": 0.98,
"kalman_nue": 0.9987,
"train_energy": true,
"train_force": true,
"train_ei": false,
"train_virial": false,
"train_egroup": false,
"pre_fac_force": 2.0,
"pre_fac_etot": 1.0,
"pre_fac_ei": 1.0,
"pre_fac_virial": 1.0,
"pre_fac_egroup": 0.1
}

optimizer 该参数用于指定优化器名称,可用选项有LKFGKF。关于优化器的详细信息参考文章,其中提供了有关优化器实现和特性的更深入的细节说明。

epochs 该参数用于指定训练的轮数(epochs)。在机器学习中,一个 epoch 指的是整个训练数据集通过神经网络的完整传递,包括前向传播和反向传播。在每个 epoch 中,训练数据集分为多个 小批量(mini-batches) 样本,之后把每个批次输入到神经网络,进行前向传播、损失计算和参数更新的反向传播过程。训练的轮数决定了整个训练数据集在训练过程中被处理的次数。默认值为 30。

通常需要通过调试和评估训练过程来选择适当的训练轮数。如果训练轮数过小,模型可能无法充分学习数据集的模式和特征,导致欠拟合。另一方面,如果训练轮数过大,模型可能会过拟合训练数据,在新数据上的泛化性能下降。

batch_size 批大小(batch size)参数确定了在每个 epoch 的训练过程中,每个小批量(mini-batch)中包含的训练样本数量。默认值为 1。

print_freq 该参数用于指定没经过多少个小批量迭代之后打印一次训练误差。默认值为 10。

block_size 该参数是LKF 优化器的超参数,用于指定协方差矩阵 P 的块大小。较大的块大小会增加内存和 GPU 内存的消耗,导致训练速度较慢,而较小的块大小会影响收敛速度和准确性。默认值为 5120,如果是在 A100、H100 等高端显卡上,建议设置为 10240。

kalman_lambda 该参数是LKF 和 GKF 优化器的超参数,称为记忆因子(memory factor)。它决定了对先前数据的权重或关注程度。值越大,越重视先前的数据。默认值为 0.98。

kalman_nue 该参数是LKF 和 GKF 优化器的超参数,kalman_nue 是遗忘率(forgetting rate),描述了 kalman_lambda 变化的速率。默认值为 0.9987。

train_energy 该参数用于指定是否训练 total energy,默认值为 true。

train_force 该参数用于指定是否训练 force,默认值为 true。

train_ei 该参数用于指定是否训练 atomic energy,默认值为 false。

train_virial 该参数用于指定是否训练 virial,默认值为 false。

train_egroup 该参数用于指定是否训练 energy group,默认值为 false。

pre_fac_etot 该参数用于指定 total energy 对损失函数的权重或贡献。默认值为 1.0。

pre_fac_force 该参数用于指定 force 对损失函数的权重或贡献。默认值为 2.0。

pre_fac_ei 该参数用于指定 atomic energy 对损失函数的权重或贡献。默认值为 1.0。

pre_fac_virial 该参数用于指定 virial 对损失函数的权重或贡献。默认值为 1.0。

pre_fac_egroup 该参数用于指定 energy group 对损失函数的权重或贡献。默认值为 0.1。

ADAM optimizer

ADAM 优化器的完整参数设置如下:

    "optimizer": {
"optimizer": "ADAM",
"epochs": 30,
"batch_size": 1,
"print_freq": 10,
"learning_rate": 0.001,
"stop_lr": 3.51e-08,
"stop_step": 1000000,
"decay_step": 5000,
"train_energy": true,
"train_force": true,
"train_ei": false,
"train_virial": false,
"train_egroup": false,
"start_pre_fac_force": 1000,
"start_pre_fac_etot": 0.02,
"start_pre_fac_ei": 0.1,
"start_pre_fac_virial": 50.0,
"start_pre_fac_egroup": 0.02,
"end_pre_fac_force": 1.0,
"end_pre_fac_etot": 1.0,
"end_pre_fac_ei": 2.0,
"end_pre_fac_virial": 1.0,
"end_pre_fac_egroup": 1.0
}

optimizer, epochs, batch_size, print_freq, train_energy, train_force, train_ei, train_virial, train_egroup. 这些参数与 KF 优化器中的参数功能相同。

learning_rate 该参数是 Adam 优化器的初始学习率。默认值为 0.001。

stop_lr 该参数是指停止学习率,表示当学习率降到该值时训练过程将停止。默认值为 3.51e-08。

stop_step 该参数是指停止步数(stopping step),表示当达到该步数时训练过程将停止。默认值为 1000000。

decay_step 该参数表示衰减步数(decay step),它指定了学习率衰减的间隔。在每个衰减步数之后,学习率会根据一定的衰减率进行更新。默认值为 5000。

learning_rate, stop_lr, stop_step, decay_step 这四个变量用于更新学习率,其计算过程如下所示,可以使用以下的 Python 代码或数学公式表示:

decay_rate = np.exp(np.log(stop_lr/learning_rate) / (stop_step/decay_step))
real_lr = learning_rate * np.power(decay_rate, (iter_num//decay_step))

首先计算衰减率(decay_rate):

decay_rate=exp(log(stop_lr/start_lr)stop_step/decay_step)\text{decay\_rate} = \exp\left(\frac{\log(\text{stop\_lr}/\text{start\_lr})}{\text{stop\_step}/\text{decay\_step}}\right)

更新学习率 learning rate:

real_lr=start_lr(decay_rate)(iter_numdecay_step)\text{real\_lr} = \text{start\_lr} \cdot \left(\mathrm{decay\_rate}\right)^{\left(\left\lfloor\frac{\text{iter\_num}}{\text{decay\_step}}\right\rfloor\right)}

其中,iter_num 代表训练过程中的迭代次数。

start_pre_fac_force 训练开始时 force 损失的 prefactor,应大于或等于 0。默认值为 1000。

start_pre_fac_etot 训练开始时 total energy 损失的 prefactor,应大于或等于 0。默认值为 0.02。

start_pre_fac_ei 训练开始时 atomic energy 损失的 prefactor,应大于或等于 0。默认值为 0.1。

start_pre_fac_virial 训练开始时 virial 损失的 prefactor,应大于或等于 0。默认值为 50.0。

start_pre_fac_egroup 训练开始时 egroup 损失的 prefactor,应大于或等于 0。默认值为 0.02。

end_pre_fac_force 训练结束时 force 损失的 prefactor,应大于或等于 0。默认值为 1.0。

end_pre_fac_etot 训练结束时 total energy 损失的 prefactor,应大于或等于 0。默认值为 1.0。

end_pre_fac_ei 训练结束时 atomic energy 损失的 prefactor,应大于或等于 0。默认值为 2.0。

end_pre_fac_virial 训练结束时 virial 损失的 prefactor,应大于或等于 0。默认值为 1.0。

end_pre_fac_egroup 训练结束时 egroup 损失的 prefactor,应大于或等于 0。默认值为 1.0。