版本：2024.05-cpu

Bulk Cu system

下文将以 Cu 系统为例，介绍如何使用 PWMLFF Deep Potential Model 进行训练及 lammps 模拟。

整个程序运行逻辑大致分为：

1. 产生数据集

以 PWmat AIMD 模拟得到的 Cu 数据为例，数据文件为MOVEMENT300, MOVEMENT1500，各包含 100 个结构，每个结构包含 72 个 Cu 原子。

etot.input输入文件示例：

8  1
JOB = MD
MD_DETAIL = 2 100 1 300 300
XCFUNCTIONAL = PBE
ECUT = 60
ECUT2 = 240
MP_N123 = 2 2 3 0 0 0 3
IN.ATOM = atom.config
IN.PSP1 = Cu.SG15.PBE.UPF
ENERGY_DECOMP = T
OUT.STRESS = F

可选项ENERGY_DECOMP：是否将总 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。如需使用或训练原子能量，需要将其设置为T。
可选项OUT.STRESS：是否输出应力信息，如需训练Virial，则需要将其设置为T。
其他参数含义参考PWmat manual。

2. 训练力场

2.1 处理数据集

工作目录下新建*.json文件(如extract.json)，该文件用于调用 pwdata 对分子动力学轨迹文件进行处理，提取标签。

示例如下：

{
  "valid_shuffle": true,
  "train_valid_ratio": 0.8,
  "raw_files": ["./MOVEMENT300", "./MOVEMENT1500"],
  "format": "pwmat/movement"
}

其中：

valid_shuffle: 是否对全部数据进行随机打乱。例如，分子动力学步长为 10，存在 10 个 images，valid_shuffle 为 true 时，将对 10 个 images 进行随机打乱，然后按照 train_valid_ratio 的比例划分训练集和验证集。valid_shuffle 为 false 时，将按照 train_valid_ratio 的比例按顺序划分训练集和验证集。默认为 True
train_valid_ratio: 训练集和验证集的比例
raw_files: 原始数据的路径
format: 原始数据的格式，用于训练集的生成，所以支持的格式有 movement, outcar, cp2k/md

执行命令pwdata extract.json，将会在当前目录下生成PWdata文件夹，包含train和valid两个子文件夹，分别存放训练集和验证集的数据。

然后需要修改力场训练输入控制文件*.json（如dp_cu.json）中的datasets_path路径，指定标签文件所在路径。（见下文）

2.2 输入文件

当前目录下，力场训练输入控制文件包含一系列需要传入的参数。

输入文件示例 (输入文件其他参数说明)：

{
  "raw_files": ["/Cu/PWdata/Cu72", "/Cu/PWdata/Cu72_1"],
  "model_type": "DP",
  "atom_type": [29]
}

datasets_path: 标签文件存放路径。可以设置同时多个路径，路径下包含训练集和验证集子目录。请根据实际情况进行修改。
model_type：模型类型，现在训练所使用的模型。其他模型类型的训练及参数配置参考参数细节
atom_type：原子类型，Cu 的原子序数为 29。

2.3 运行

以下 slurm 示例脚本适用于 Mcloud,提交任务时确保已经加载必要的环境和模块。

#!/bin/sh
#SBATCH --partition=3090
#SBATCH --job-name=mlff
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=1
#SBATCH --gres=gpu:1
#SBATCH --gpus-per-task=1
# mcloud 已安装环境加载
# 这里推荐
source /share/app/PWMLFF/PWMLFF2024.5/env.sh

# 或者采用以下方式分步加载
# source /share/app/anaconda3/etc/profile.d/conda.sh
# module load conda/3-2020.07
# conda deactivate
# conda activate PWMLFF
# module load pwmlff/2024.5

PWMLFF train dp_cu.json > log

交互式运行：

$ srun -p 3090 --pty /bin/bash
# mcloud 已安装环境加载
$ source /share/app/PWMLFF/PWMLFF2024.5/env.sh

$ PWMLFF train dp_cu.json

提示

大多数情况下，可以使用raw_files参数直接调用pwdata进行数据处理并进行训练：

这种情况下，可以跳过单独运行pwdata extract.json，直接运行PWMLFF train dp_cu.json。例如：

{
  "raw_files": ["./MOVEMENT300", "./MOVEMENT1500"],
  "format": "pwmat/movement",
  "valid_shuffle": true,
  "train_valid_ratio": 0.8,
  "model_type": "DP",
  "atom_type": [29]
}

在训练期间，可以通过检查训练模型文件存放的目录(model_record)的日志来查看训练情况。

该目录下存在以下三个文件:

dp_model.ckpt 为模型文件，可用于继续训练或提取力场。对应于最后一次训练的模型。
epoch_train.dat 和 epoch_valid.dat 日志文件中包含每个 epoch 的训练误差和验证误差。

epoch_train.dat&epoch_valid.dat

loss 对应训练总误差
RMSE_Etot_per_atom 对应训练能量误差，建议达到 ~ $10^{-3} eV/atom$ 数量级
RMSE_F 对应训练力误差，建议达到 ~ $10^{-2} eV/\text{\AA}$ 数量级

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。

2.4 提取力场

提示

推荐使用 Libtorch 版本的力场模型，该版本的力场模型在训练完成后手动执行PWMLFF script dp_model.ckpt命令生成jit_dp_cpu.pt文件或jit_dp_gpu.pt，该文件用于 lammps 模拟。如果您的设备包含GPU环境，执行 PWMLFF script将会生成jit_dp_gpu.pt文件，否则为jit_dp_cpu.pt。

注意：jit_dp_gpu.pt只能在 GPU 环境下运行lammps；jit_dp_cpu.pt只能在 CPU 环境下运行lammps。

训练完成后，默认会在当前目录下生成forcefield文件夹，包含*.ff力场文件。该力场文件需使用该版本，编译，及使用可查阅之前的手册教程。

3. Lammps 模拟

将训练完成后生成的pt力场文件用于 lammps 模拟。

为了使用 PWMLFF 生成的力场文件，lammps 的输入文件示例如下：

pair_style      pwmlff 1 ../model_record/jit_dp_gpu.pt
pair_coeff      * * 29

其中：

pair_style pwmlff 1 表示使用 PWMLFF 生成的力场文件，1表示读取 1 个力场文件， ../model_record/jit_dp_gpu.pt 为 PWMLFF 生成的力场文件，可以根据实际情况修改路径。
pair_coeff * * 29 为 Cu 的原子序数。

以下是 lammps 输入文件示例(nvt 系综)：

units           metal
boundary        p p p
atom_style      atomic
processors      * * *
neighbor        2.0 bin
neigh_modify    every 10 delay 0 check no

read_data       lmp.init

pair_style      pwmlff 1 ../model_record/jit_dp_gpu.pt
pair_coeff      * * 29
velocity        all create 1500 206952 dist gaussian
timestep        0.001
fix             1 all nvt temp 1500 1500 0.1
thermo_style    custom step pe ke etotal temp vol press
thermo          1
dump            1 all custom 1 traj.xyz id type x y z  vx vy vz fx fy fz
run             1000 #1ps

信息

使用 GPU 运行 lammps 时，执行程序为lmp_mpi_gpu; 使用 CPU 运行 lammps 时，执行程序为lmp_mpi。
如果有多个力场文件（如主动学习时），(例如 4 个)可以修改为：
```
pair_style      pwmlff 4 1.pt 2.pt 3.pt 4.pt
pair_coeff      * * 29
```

4. 输入文件其他参数说明

{
  "recover_train": false,

  "raw_files": ["0_300_MOVEMENT", "1_500_MOVEMENT"],
  "format": "pwmat/movement",
  "valid_shuffle": true,
  "train_valid_ratio": 0.8,

  "model_load_file": "./model_record/dp_model.ckpt",
  "model_type": "DP",
  "atom_type": [29],
  "max_neigh_num": 100,
  "seed": 1234,
  "model": {
    "descriptor": {
      "Rmax": 6.0,
      "Rmin": 0.5,
      "M2": 16,
      "network_size": [25, 25, 25]
    },

    "fitting_net": {
      "network_size": [50, 50, 50, 1]
    }
  },

  "optimizer": {
    "optimizer": "LKF",
    "block_size": 5120,
    "kalman_lambda": 0.98,
    "kalman_nue": 0.9987,
    "nselect": 24,
    "groupsize": 6,

    "batch_size": 4,
    "epochs": 20,
    "start_epoch": 1,

    "print_freq": 10,

    "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
  }
}

recover_train: 是否从上次训练中断/完成处继续训练。如果为true，读取默认model_load_path和model_name，程序则会从上次训练中断/完成处继续训练。见参数细节。
raw_files: 分子动力学轨迹文件存放路径及名称。可以设置同时多个文件。请根据实际情况进行修改。
train_valid_ratio: 训练集和验证集的比例。0.8表示训练集占80%，验证集占20%。
model_load_file: 模型文件路径。则读取该路径下的模型文件，程序则会从该模型文件处继续训练/测试。见参数细节。
model_type：模型类型，现在训练所使用的模型。其他模型类型的训练及参数配置参考参数细节。
atom_type：原子类型，Cu 的原子序数为 29。
max_neigh_num：最大近邻原子数。
seed: 随机数种子。
model: 模型参数，具体参数配置参考参数细节。
optimizer：优化器参数，推荐使用LKF和ADAM。通常情况下，对于大体系大网络，使用LKF优化器可以加速训练。其他优化器及更多的参数配置参考参数细节。
batch_size：每批次用于训练的数据大小。如 1, 2, 5, 10。
epochs：训练迭代次数。根据总的动力学轨迹 images 数量修改,images 少时可适当增加,如 50。

Bulk Cu system

1. 产生数据集​

2. 训练力场​

2.1 处理数据集​

2.2 输入文件​

2.3 运行​

2.4 提取力场​

3. Lammps 模拟​

4. 输入文件其他参数说明​