Skip to main content
Version: 1.1

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 准备数据集

新建目录,放置MOVEMENT*文件。或者MOVEMENT*文件也可以放置在其他目录下,只需要通过修改输入文件*.json中的train_movement_path路径进行训练。

2.2 输入文件

当前目录下,新建*.json文件(如dp_cu.json),该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):

{   
"train_movement_file":["0_300_MOVEMENT", "1_500_MOVEMENT"],
"model_type": "DP",
"atom_type":[29]
}

  • train_movement_file: MOVEMENT文件存放名。可以设置同时多个文件。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

PWMLFF train dp_cu.json > log

交互式运行:

$ srun -p 3090 --pty /bin/bash
$ PWMLFF train dp_cu.json
tip

产生feature与train可以单独运行:

  • PWMLFF gen_feat dp_cu.json - 仅用于产生特征。
  • PWMLFF train dp_cu.json - 用于加载特征,对特征进行处理后开始训练。直接运行train会自动调用gen_feat。如果gen_feat已经运行过,可以在.json文件中设置train_feature_path来指定feature所在路径,同时注释掉train_movement_file

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:

  • checkpoint.pth.tar 为模型文件,用于继续训练。对应于最后一次训练的模型。
  • epoch_train.datepoch_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 ~103eV/atom10^{-3} eV/atom 数量级
  • RMSE_F 对应训练力误差, 建议达到 ~102eV/A˚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 forcefield.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,forcefield.ff为 PWMLFF 生成的力场文件名称,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 POSCAR.lmp

pair_style pwmatmlff
pair_coeff * * 5 1 forcefield.ff 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
info

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

4. 输入文件其他参数说明

{
"recover_train":false,
"work_dir":"./work_train_dir",
"reserve_work_dir": false,

"train_movement_file":["0_300_MOVEMENT", "1_500_MOVEMENT"],

"forcefield_name": "forcefield.ff",
"forcefield_dir": "forcefield",

"train_valid_ratio":0.8,

"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":0.99870,
"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_pathmodel_name,程序则会从上次训练中断/完成处继续训练。见参数细节
  • work_dir: 训练过程中的中间文件保存目录。训练完成后自动删除。reserve_work_dirtrue时,训练完成后不删除该目录。
  • train_movement_file: MOVEMENT文件存放名。可以设置同时多个文件。请根据实际情况进行修改。
  • forcefield_name: 生成的力场文件名称。
  • forcefield_dir: 生成的力场文件存放的目录。
  • 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_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LKFADAM。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。
  • 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。