Version: 1.0

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。

整个过程分为以下几个步骤：

1. 产生数据集

以 PWmat AIMD 模拟得到的 Cu 数据为例，数据文件为MOVEMENT，包含 1000 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 1000 1 300 300
XCFUNCTIONAL = PBE
ECUT = 60
ECUT2 = 240
MP_N123 = 2 2 3 0 0 0 3
ENERGY_DECOMP = T
IN.ATOM = atom.config
IN.PSP1 = Cu.SG15.PBE.UPF
OUT.STRESS = T

必选项ENERGY_DECOMP：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。
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 准备数据集

新建目录PWdata，将MOVEMENT文件复制到该目录中。

tip

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 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训练力场。

输入文件示例：

from PWMLFF.dp_network import dp_network

if __name__ == "__main__":

    atom_type = [29]

    """
        command line option:
        python main.py --gpu 0 -b 10 --opt LKF --epochs 20 -s record
    """

    dp_trainer = dp_network(
                            atom_type = atom_type,
                            optimizer = "LKF",
                            gpu_id = 0,
                            session_dir = "record",
                            n_epoch = 20,
                            batch_size = 10,
                            max_neigh_num = 100,
                            Rmax = 6.0,
                            Rmin = 0.5,
                            M2 = 16,
                            block_size= 10240,
                            is_resume = False,
                            # model_name = 'checkpoint.pth.tar',
                            pre_fac_force = 1.,
                            pre_fac_etot = .5,
                            embedding_net_size = [25, 25, 25],
                            fitting_net_size = [50, 50, 50, 1],
                           )
    # pre-process trianing data. ONLY NEED TO BE DONE ONCE
    dp_trainer.generate_data()

    # load data and train
    dp_trainer.load_and_train()

    dp_trainer.extract_force_field("1.ff")

atom_type：原子类型，Cu 的原子序数为 29。多个元素时，统一设置为MOVEMENT中的原子排序。
optimizer：优化器，推荐使用LKF和ADAM。默认为ADAM，此时建议使用更多的 epoch，如 1000。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。
gpu_id：使用的 GPU 编号，目前仅支持单 GPU 训练。
session_dir：训练过程中的记录文件保存目录。具体文件说明见下文。
n_epoch：训练迭代次数。根据MOVEMENT总的 images 数量修改,images 少时可适当增加,如 50。
batch_size：用于产生特征的数据大小。如 1, 2, 5, 10。
max_neigh_num：最大近邻原子数。
Rmax：DP 平滑函数最大截断半径。
Rmin：DP 平滑函数最小截断半径。
M2：DP 模型网络参数。决定 embedding net 输出尺寸(25*16), fitting net 输入尺寸(400)。
block_size：KF 优化器参数。保持默认即可。
is_resume：是否从上次训练中断/完成处继续训练。
model_name：模型名称，结合is_resume用于继续训练。
pre_fac_force：用于 KF 训练时的更新力的缩放因子。
pre_fac_etot：用于 KF 训练时的更新总能的缩放因子。
embedding_net_size：embedding net 网络结构。保持默认即可。
fitting_net_size：fitting net 网络结构。保持默认即可。

tip

以下三个函数可根据实际使用情况选择执行：

dp_trainer.generate_data() - 用于产生特征，仅需运行一次。例如需要重新训练,修改相应的设置后,只需注释掉该行再次执行程序即可。
dp_trainer.load_and_train() - 用于加载特征,对特征进行处理后训练力场。
dp_trainer.extract_force_field("1.ff") - 用于提取力场,并生成1.ff文件。可自行修改文件名。

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=3090
#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 3090 --pty /bin/bash
$ python main.py

在训练期间，可以通过检查指定的目录中(/record)的日志来查看训练情况。

该目录下存在以下四个文件:

best.pth.tar 和 checkpoint.pth.tar 为模型文件，用于继续训练。分别对应于最佳模型和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。

3. Lammps 模拟

将训练完成后生成的*.ff力场文件用于 lammps 模拟。（需使用经过修改的版本重新编译）

为了使用 PWMLFF 生成的力场文件，需要在 lammps 的输入文件中设置以下内容：

pair_style      pwmatmlff
pair_coeff      * * 5 1 ./1.ff 29

其中5表示使用 DP 模型产生的力场，1表示读取 1 个力场文件，1.ff为 PWMLFF 生成的力场文件名称，29为 Cu 的原子序数。

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      pwmatmlff
pair_coeff      * * 5 4 ./1.ff ./2.ff ./3.ff ./4.ff 29

Bulk Cu system

1. 产生数据集​

2. 训练力场​

2.1 准备数据集​

2.2 输入文件​

2.3 运行​

3. Lammps 模拟​