🗃️ examples
1 个项目
📄️ compress model
DP 模型的 Embedding net 网络数目是原子类型数目$N$的$N^2$倍，随着原子类型增多，Embedding net 数目会快速增加，导致用于反向传播求导的计算图的规模会增加，成为 DP 模型做推理的瓶颈之一。如下我们对于一个五元合金系统在 DP 模型的推理过程的时间统计所示，对于 Embedding net 计算以及梯度计算的时间占比超过 90%，这存在大量的优化空间。Embedding net 的输入为一个$S$的单值，输出为$m$个值（$m$为 Embedding net 最后一层神经元数目）。因此，可以将 Embedding net 通过$m$个单值函数代替。我们在这里实现论文DP Compress中使用的五阶多项式压缩方法，同时我们也提供了基于 Hermite 插值方法的三阶多项式压缩方法供用户自由选择。在我们的测试中，当网格大小 $dx=0.001$ 时，三阶多项式与五阶多项式能够达到相同的精度，详细测试数据见性能测试。
📄️ type embedding
由于 DP 模型的 Embedding Net 数目是元素类型数目$N$的$N^2$倍。一方面，当体系中元素类型较多时制约了模型的训练速度，以及推理速度。另一方面，这也制约了 DP 模型在通用大模型方面的潜力。考虑到$N^2$个 Embedding net 其实隐含了对元素类型的编码，因此我们通过调整$S$，将元素类型的物理属性信息与$S{ij}$做拼接，则只需要一个 Embedding net 即可达到与$N^2$相似效果。
📄️ Python inference
我们提供了两种 python inference 方式，一种是直接对结构做预测，使用infer命令，如 章节-预测结 构 所示，第二种是对大量的 pwmlff/npy、vasp/outcar、pwmat/movement 格式或者它们的混合格式做预测，对于这类需求，我们提供了使用 json 配置文件的方式，使用 test 命令，如 章节-混合数据预测 所示。