版本：Next

在线安装

对于龙讯超算云(Mcloud) 用户，已做预装，加载即用

在线安装需要您分别编译安装 MatPL-2026.3 和 MatPL-2026.3 lammps 接口。

MatPL-2026.3 用于模型训练。要求待安装的机器提供 gcc 编译器(8.n 以及以上)、CUDA(11.8及以上)、openmpi(4.1.4及以上) 以及 nvidia GPU 硬件支持。对于 Python 环境，要求 python >= 3.11，torch >= 2.2.0+cu118。
如果需要使用 NN 和 Linear 模型，还需要加载 intel 相关编译器（ifort icc mkl）。对于 intel/2020编译套件，使用了它的 ifort 和 icc 编译器(19.1.3)、mkl库，如果单独加载，请确保版本不低于它们。
MatPL-2026.3 lammps 接口是用于运行 NEP 和 DP 模型的lammps 接口。lammps接口安装和运行需要使用 openmpi，我们推荐 openmpi/4.1.4 版本以上。对于 lammps 接口，我们提供了两个版本的安装方式：

开放源码的接口安装方式，该接口速度与 GPUMD 速度持平；

闭源接口的安装方式，闭源接口的速度是开放源码的接口速度两倍以上。

MatPL 编译安装

为了编译和运行 MatPL-2026.3，您需要下载源码、安装conda 环境，并在 conda 环境中安装 MatPL-2026.3 依赖的Python环境，之后编译源码。

在以下安装命令中，使用的sh 是指bash，安装时请注意，如果使用sh命令，请确保它是bash的链接，有少部分操作系统指向的是dash。

下载源码

我们提供了在线拉取代码和下载离线包两种方式编译。

通过 github 或 gitee 在线拉取 MatPL 仓库代码

  git clone https://github.com/LonxunQuantum/MatPL.git MatPL-2026.3
  或
  git clone https://gitee.com/pfsuo/MatPL.git MatPL-2026.3

或下载 release 离线源码包，您可以直接浏览器输入下面的地址下载，或者加前缀 wget 下载:

  wget https://github.com/LonxunQuantum/MatPL/archive/refs/tags/MatPL-2026.3_update2.zip
  或通过gitee下载
  wget https://gitee.com/pfsuo/MatPL/repository/archive/2026.3

下载 release 离线源码包后，通过 unzip 命令解压。

  ## 解压后您将得到一个名称为 MatPL-MatPL-2026.3_update2 的源码目录
  unzip MatPL-MatPL-2026.3_update2.zip
  mv MatPL-MatPL-2026.3_update2 MatPL-2026.3 # 为了后续手册表述统一，这里将文件名重名为MatPL-2026.3 

创建 conda 虚拟环境

安装 Anaconda3（已安装请跳过）。这里要求您已经装了 Anaconda3 ，然后创建一个新 python 虚拟环境（搜索引擎搜索 Linux 安装 anaconda3 教程）。

您可以使用该命令直接下载 Anaconda3 到服务器目录中：

curl https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.07-1-Linux-x86_64.sh -o Anaconda3-2023.07-1-Linux-x86_64.sh
## 如果下载失败，请在浏览器输入下面的下载地址，下载后上传的服务器
## https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.07-1-Linux-x86_64.sh 
## 您也可以访问网页下载更多版本 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

创建Python虚拟环境

conda 安装完成后，创建虚拟环境，环境中需指定安装 python3.11 解释器，其他版本可能会出现依赖冲突或语法不支持等问题，之后的编译工作均在该虚拟环境中进行

conda create -n matpl-2026.3 python=3.11 setuptools=68.0.0
## python 版本我们建议3.11，更高级别的 python 可以在编译时存在一些错误，我们还未兼容。这里需要指定setuptools版本低于75.0.0，避免 numpy 和 fortran 做数据格式转换时的错误。

虚拟环境安装完成后激活该环境

conda activate matpl-2026.3

Python虚拟环境安装依赖包

接下来安装 MATPL 所需的第三方依赖包，我们已经把所有依赖的第三方包写在requirement.txt中，只需要在该文件所在目录下执行 pip 命令即可完成所有的依赖包安装。操作过程如下。该步骤会安装pytorch等python环境较耗时，请您耐心等待。

MatPL-2026.3/requirement.txt 是 MatPL GPU 版本的 python 环境
MatPL-2026.3/requirements_cpu.txt 是 MatPL CPU 版本的 python 环境

#第一步 激活conda 环境
conda activate matpl-2026.3
#第二步 进入源码根目录
#在线下载的源码进入 MatPL-2026.3 目录
cd MatPL-2026.3
#对于 GPU 版本，请执行
pip install -r requirements.txt
#对于 CPU 版本，请执行
pip install -r requirements_cpu.txt

编译安装-检查编译环境(GPU 版本)

进入 requirement.txt 的同级目录 src 目录下。对于 GPU 版本，首先检查gcc 编译器(8.n 以及以上)、CUDA(11.8及以上)、openmpi(4.1.4及以上) 以及 nvidia GPU 硬件支持。如果需要使用 NN 和 Linear 模型，还需要加载 intel 相关编译器（ifort icc mkl）。由于大部分的编译不成功是由编译器版本问题造成的，我们提供了编译环境检测的脚本 check_env.sh ，位于 '/src/check/check_env.sh' 您可以执行该脚本来检查编译环境已经完成准备。

cd src
bash ./check/check_env.sh

执行后，将输出您的编译环境信息。

========================================
      Environment Check Starting
========================================

=== Checking ifort compiler and MKL library ===
✓ ifort version: 19.1 (>= 19.1)
✓ MKL library is installed

=== Checking GCC version ===
✓ GCC version: 8 (>= 8.0)

=== Checking PyTorch installation ===
✓ PyTorch is installed

=== Checking PyTorch version ===
✓ PyTorch version: 2.2.0+cu118 (>= 2.0)

=== Checking PyTorch CUDA support ===
✓ PyTorch is compiled with CUDA 11.8

=== Checking CUDA version ===
✓ CUDA version: 11.8.89 (>= 11.8)

=== Checking nvcc availability ===
✓ nvcc command exists

========================================
        Environment Summary
========================================
✓ Environment check completed. All requirements are satisfied.
========================================

编译安装-检查编译环境(CPU 版本)

安装 GPU 版本请跳过该步。对于 CPU 版本，不需要 CUDA 支持，检测脚本为 check_env_cpu.sh，位于 '/src/check/check_env_cpu.sh'。命令执行后会列出需要的编译器版本以及当前检测到的版本：

========================================
      CPU Environment Check Starting
========================================

=== Checking ifort compiler and MKL library ===
✓ ifort version: 19.1 (>= 19.1)
✓ MKL library is installed

=== Checking GCC version ===
✓ GCC version: 8 (>= 8.0)

=== Checking PyTorch installation ===
✓ PyTorch is installed

=== Checking PyTorch version ===
✓ PyTorch version: 2.2.0+cu118 (>= 2.0)

========================================
        Environment Summary
========================================
✓ Environment check completed. All requirements are satisfied.
========================================

编译安装-编译代码

如果您的环境满足上述检测，接下来进行代码编译。执行如下命令开始编译：

bash clean.sh
bash build.sh [-jN] [-m nn]

-jN 这里N为并行编译的核数，例如 sh build.sh -j4 将采用4核编译。默认采用单核编译，即 bash build.sh
-m nn 指定后将 fortran 代码也纳入编译（需要intel编译器支持），用于 linear 和 NN 模型。默认不编译 fortran 代码。

提示

如果您在编译过程中出错，请在MATPL 常见安装错误总结中查询。

如果仍未解决您的问题，请将您的机器环境信息、编译错误日志以及您执行的编译操作过程描述发送到邮箱 matpl@pwmat.com、wuxingxing@pwmat.com 或 support@pwmat.com，我们将及时联系您处理。

编译完成后，最后输出如下信息：

[100%] Linking CXX shared library ../../lib/libCalcOps_bind.so
[100%] Built target CalcOps_bind
Operators built successfully
Creating symbolic links in bin directory...
Created symbolic link for main_MD.x

=================================
MatPL has been successfully installed.
Please load the MatPL environment variables before use.

Recommended method:
  source /data/home/wuxingxing/codespace/MatPL-2025.12-tmp/env.sh

Or manually set environment variables:
  export PYTHONPATH=/data/home/wuxingxing/codespace/MatPL-2025.12-tmp:$PYTHONPATH
  export PATH=/data/home/wuxingxing/codespace/MatPL-2025.12-tmp/src/bin:$PATH
=================================

编译完成后，将在代码的根目录下生成一个env.sh文件，包含 MatPL 的环境变量，执行以下命令即可完成加载

  source /the/path/of/MatPL-2026.3/env.sh

也可以通过如下命令加载

  export PYTHONPATH=/the/path/of/MatPL-2026.3:$PYTHONPATH
  export PATH=/the/path/of/MatPL-2026.3/src/bin:$PATH

加载使用

使用 MatPL 前需要加载它的依赖环境，加载 python 环境、cuda、MatPL 环境变量（CPU版本不需要加载CUDA）。

conda activate matpl-2026.3
module load cuda/11.8-share
source /the/path/of/MatPL-2026.3/env.sh

之后即可使用 MatPL 命令开始训练，使用教程请参考教学案例

MatPL lammps 2026.3 开放源码版本接口编译安装

MatPL-2026.3 lammps 接口支持 NEP（包含 QNEP）、DP 和 D3。对于 NN 和 Linear 力场，提供了 fortran 版本的接口，安装请参考 lammps-fortran 编译安装。

MatPL-2026.3 lammps 接口安装过程中，需要您下载 lammps 源码、加载编译器、编译源码，过程如下所示。

下载 MatPL-2026.3 lammps 接口源码

MatPL-2026.3 lammps 开放源码版本接口位于 GitHub 仓库，可通过以下命令下载：

git clone https://github.com/LonxunQuantum/lammps-MatPL.git
cd lammps-MatPL

MatPL-2026.3 lammps 力场接口源码目录如下所示：

├── .gitignore
├── KOKKOS/
├── MATPLD3/
├── MATPLDP/
├── compute_qnep_bec_atom.cpp
├── compute_qnep_bec_atom.h
├── examples/
├── kknep-patch.sh
├── nep_cpu.cpp
├── nep_cpu.h
├── nep_gpu/
├── pair_nep.cpp
├── pair_nep.h
├── test/
├── test_qnep/
└── README.md

KOKKOS、nep_gpu、nep_cpu.cpp、nep_cpu.h、pair_nep.cpp 和 pair_nep.h 是 NEP lammps 接口源码，支持 NEP KOKKOS GPU 加速。compute_qnep_bec_atom.cpp 和 compute_qnep_bec_atom.h 用于输出 QNEP 的逐原子 Born 有效电荷张量。
MATPLDP 为 DP 接口源码；MATPLD3 为 D3 接口源码，D3 需要 CUDA 支持，不能与 matpl/nep/kk 同时使用。
examples 为力场 MD 示例，test 和 test_qnep 分别为 NEP 和 QNEP 测试用例。
kknep-patch.sh 用于将上述接口源码复制到 lammps 源码目录，并修改 cmake/CMakeLists.txt，之后使用 cmake 编译。
与 MatPL-2025.3 版本相比，NEP KOKKOS 接口将近邻表计算交给 KOKKOS 在 GPU 上执行，能量和力计算则由定制的 C++/CUDA 算子完成，同时减少了显存占用并提高了推理速度。
当前仓库支持 LAMMPS 2023、2024 和 2025 发布版，推荐使用 stable_2Aug2023_update4、stable_29Aug2024_update4 或 stable_22Jul2025_update4。

复制 MatPL-2026.3 lammps 接口源码到 LAMMPS 源码目录

kknep-patch.sh 位于 lammps-MatPL 仓库根目录。在仓库根目录执行以下命令，脚本会自动将接口文件复制到 LAMMPS 源码目录，并修改 cmake/CMakeLists.txt：

bash kknep-patch.sh /the/rootpath/of/lammps

复制完成后，会输出如下日志：

...
Patch process completed successfully!

Compilation Environment:
Recommended compilation environment: cuda/11.6 (with nvcc compiler) openmpi4.1.4 cmake/3.31.6 gcc8.n

Compilation Process:
cd /data/home/wuxingxing/codespace/suzhou/lmpversions/lammps-23-4-changerowcol/
mkdir build & cd build
cmake -C ../cmake/presets/basic.cmake \
    -DPKG_MESONT=no \
    -DPKG_JPEG=no \
    -DPKG_KOKKOS=yes \
    -DPKG_NEP_KK=yes \
    -DKokkos_ENABLE_CUDA=yes \
    -DKokkos_ENABLE_OPENMP=yes \
    -DKokkos_ENABLE_CUDA_LAMBDA=yes \
    -DFFT_KOKKOS=CUFFT \
    -DKokkos_ARCH_AMPERE86=ON \
    -DTEST_TIME=ON \
    ../cmake

cmake --build . --parallel 4 #(number of parallel compilation cores)


If you also need to compile the DP interface, please import the PyTorch path, import the MKL library, and enable the C++ STD17 standard for compilation.
export Torch_DIR=$(python -c "import torch; print(torch.utils.cmake_prefix_path)")/Torch
Then, add the following option in cmake:
-DTorch_DIR=${Torch_DIR} \
-DCMAKE_CXX_STANDARD=17 \
-DPKG_MATPLDP=yes \

加载编译环境以及编译

文件复制完成后，需要在编译前加载环境。lammps 接口编译，依赖的编译器环境有 cuda、gcc、cmake、openmpi，我们推荐 openmpi/4.1.4 版本及以上，cuda-11.6及以上、cmake 3.n 及以上，gcc8.n及以上。

之后按照日志中的提示，进入lammps 根目录，创建build 目录，在下面执行如下cmake命令即可编译：

# cd lammps rootdir
mkdir build & cd build
cmake -C ../cmake/presets/basic.cmake \
    -DPKG_MESONT=no \
    -DPKG_JPEG=no \
    -DPKG_KOKKOS=yes \
    -DPKG_NEP_KK=yes \
    -DKokkos_ENABLE_CUDA=yes \
    -DKokkos_ENABLE_OPENMP=yes \
    -DKokkos_ENABLE_CUDA_LAMBDA=yes \
    -DFFT_KOKKOS=CUFFT \
    -DKokkos_ARCH_AMPERE86=ON \
    -DTEST_TIME=ON \
    ../cmake

cmake --build . --parallel 4 #(number of parallel compilation cores)

默认只安装了NEP的接口，如果需要安装 DP 接口，需要加载 MKL 库、pytorch 中的libtorch 路径以及在编译时使用 C++ STD17标准。

export Torch_DIR=$(python -c "import torch; print(torch.utils.cmake_prefix_path)")/Torch

#在 cmake 命令中开启 DP 的编译：
-DTorch_DIR=${Torch_DIR} \
-DCMAKE_CXX_STANDARD=17 \
-DPKG_MATPLDP=yes \

编译完成将在窗口输出如下信息，并在lammps源码根目录生成一个env.sh文件，使用lammps前加载该文件即可。

[ 98%] Building CUDA object CMakeFiles/lammps.dir/data/home/wuxingxing/codespace/suzhou/lmpversions/lammps-23-4-opt/src/nep_gpu/utilities/gpu_vector.cu.o
[100%] Linking CXX static library liblammps.a
[100%] Built target lammps
[100%] Building CXX object CMakeFiles/lmp.dir/data/home/wuxingxing/codespace/suzhou/lmpversions/lammps-23-4-opt/src/main.cpp.o
[100%] Linking CXX executable lmp
[100%] Built target lmp

lammps 加载使用

使用 MatPL-2026.3 lammps时，需要加载它的依赖环境，加载 opnmpi、cuda、lammps环境变量。

module load cuda/11.8 openmpi/4.1.6
# lammps 环境变量,用于指定 lmp 位置
export PATH=/the/path/of/lammpsroot/dir/build:$PATH

MatPL lammps 2026.3 闭源版本接口编译安装

MatPL lammps 2026.3 闭源版本将 lammps 接口代码与 NEP GPU 推理核函数分离：pair_nep.cpp、KOKKOS 包装层和 nep_gpu_loader.h 等 C++ 接口代码会编译到 lammps 中，优化后的 NEP GPU 推理核函数则以预编译共享库 libnep_gpu.so 的形式提供。运行时，接口通过 dlopen 动态加载共享库，并验证 License 文件。

因此，使用闭源版本时不需要编译 NEP GPU 推理库，只需下载 lammps 接口源码、与 CUDA 版本匹配的预编译共享库以及有效的 License，然后编译 C++ 接口代码即可。

下载闭源版本接口文件

闭源版本的接口源码、预编译共享库和评估 License 可从 MatPL-pro-v2026.6 Release 下载。

文件	CUDA / 精度
`libnep_gpu_cu118.so`	CUDA 11.8，默认混合精度
`libnep_gpu_cu118_fp64.so`	CUDA 11.8，FP64
`libnep_gpu_cu128.so`	CUDA 12.8，默认混合精度
`libnep_gpu_cu128_fp64.so`	CUDA 12.8，FP64
`summer_holiday.lic 或 2026.lic`	License
Source code (zip)	lammps 接口源码
Source code (tar.gz)	lammps 接口源码

根据运行环境选择一个共享库即可：

cu118 共享库需要 CUDA 11.x 运行时（libcudart.so.11.0）。
cu128 共享库需要 CUDA 12.x 运行时（libcudart.so.12）。
不带 _fp64 后缀的共享库为默认混合精度版本；使用 _fp64 共享库时，lammps 接口也必须使用 -DPREC_NEPINFER=ON 编译。

注意：共享库的 CUDA 主版本必须与运行时的 libcudart 主版本一致。CUDA 11.x 和 CUDA 12.x 共享库不能交叉使用。

闭源版本接口源码目录

Source code 压缩包解压后，根目录结构如下：

├── .gitignore
├── examples/
├── kknep-patch-cpu.sh
├── kknep-patch.sh
├── KOKKOS/
├── matpl-patch.sh
├── MATPLD3/
├── MATPLDP/
├── MatPLPackages.cmake
├── nep_cpu.cpp
├── nep_cpu.h
├── nep_gpu/
│   ├── cuda-11.8/
│   ├── cuda-12.8/
│   └── 2026.lic # 2026年底到期
│   └── summer_holiday.lic # 2026年8月底到期
├── nep_gpu_loader.h
├── pair_nep.cpp
├── pair_nep.h
├── README.md
└── test/

其中：

kknep-patch.sh 用于备份并修改 lammps 的 cmake/CMakeLists.txt，同时复制 NEP CPU 接口、nep_gpu_loader.h、KOKKOS 包装层以及 MatPL 热流接口文件。
nep_gpu_loader.h 负责在运行时加载 libnep_gpu.so，因此编译 lammps 时不需要将闭源共享库直接链接到 lammps。
KOKKOS 目录包含 NEP KOKKOS 接口、MatPL 热流 compute 和时间平均 fix。
examples 和 test 分别包含使用示例和测试脚本。

编译环境

推荐使用以下软件环境：

组件	推荐版本	说明
lammps	`stable_2Aug2023_update4`、`stable_29Aug2024_update4` 或 `stable_22Jul2025_update4`	`kknep-patch.sh` 支持 2023—2025 发布版
CUDA Toolkit	11.8 或 12.8	必须与下载的共享库主版本匹配
GCC	8.3 及以上	需要 C++17 支持
OpenMPI	4.1.x	用于多进程和多节点并行
CMake	3.18 及以上	lammps 编译系统

以 CUDA 11.8 和 CUDA 12.8 为例，加载编译环境：

# CUDA 11.8，对应 libnep_gpu_cu118*.so
module --ignore-cache load openmpi/4.1.6 cuda/11.8-share gcc/8.3.1 cmake/3.31.6

# CUDA 12.8，对应 libnep_gpu_cu128*.so
module --ignore-cache load openmpi/4.1.6 cuda/12.8-share gcc/11.2.1 cmake/3.31.6

上述 module 名称是集群环境中的使用示例，请根据实际软件环境调整。

复制接口文件到 lammps 源码

进入 Source code 解压后的根目录，执行：

cd /the/path/of/lammps-MatPL-MatPL-pro-v2026.6
bash kknep-patch.sh /the/path/of/lammps

脚本会将接口文件复制到 lammps 源码的 src 目录，并在 cmake/CMakeLists.txt 中增加 PKG_NEP_KK 编译选项。脚本结束时输出 Patch process completed successfully! 表示复制成功。

使用 cmake 编译 lammps

进入 lammps 源码目录，创建独立的构建目录：

cd /the/path/of/lammps
mkdir build && cd build

cmake -C ../cmake/presets/basic.cmake \
    -DPKG_MESONT=no \
    -DPKG_JPEG=no \
    -DPKG_KOKKOS=yes \
    -DPKG_NEP_KK=yes \
    -DKokkos_ENABLE_CUDA=yes \
    -DKokkos_ENABLE_OPENMP=yes \
    -DKokkos_ENABLE_CUDA_LAMBDA=yes \
    -DFFT_KOKKOS=CUFFT \
    -DKokkos_ARCH_AMPERE86=ON \
    ../cmake

cmake --build . --parallel 8

-DKokkos_ARCH_AMPERE86=ON 只是 A6000、RTX 3090 等 SM 8.6 GPU 的示例。请根据 GPU 型号替换 KOKKOS 架构选项，例如 A100 使用 -DKokkos_ARCH_AMPERE80=ON，RTX 4090 使用 -DKokkos_ARCH_ADA89=ON，H100 使用 -DKokkos_ARCH_HOPPER90=ON。

如果使用 _fp64.so 共享库，需要在上述 cmake 命令中另外加入：

-DPREC_NEPINFER=ON \

配置共享库和 License

编译完成后，使用 NEP_GPU_LIB_PATH 指定预编译共享库的完整路径，使用 NEP_LICENSE_PATH 指定 License 文件路径：

# lammps 可执行文件
export PATH=/the/path/of/lammps/build:$PATH

# CUDA 11.8 默认混合精度版本示例
export NEP_GPU_LIB_PATH=/the/path/of/libnep_gpu_cu118.so
export NEP_LICENSE_PATH=/the/path/of/summer_holiday.lic

也可以将共享库所在目录加入 LD_LIBRARY_PATH，并将共享库重命名为 libnep_gpu.so：

export LD_LIBRARY_PATH=/the/path/of/libnep_gpu_dir:$LD_LIBRARY_PATH

NEP_GPU_LIB_PATH 的优先级高于系统共享库搜索路径，因此推荐直接指定 .so 文件。NEP_LICENSE_PATH 也建议直接指向下载的 summer_holiday.lic。

License 说明：Release 中的 summer_holiday.lic 为最多支持 16 块 GPU 的非商业评估 License，有效期至 2026 年 8 月 31 日。商业使用或 License 续期请联系 matpl@pwmat.com。

运行 lammps

运行命令

在运行 lammps 前，请确保已设置 NEP_GPU_LIB_PATH 和 NEP_LICENSE_PATH，并且输入文件、原子结构文件和 NEP 力场文件均已准备完成。

# 单 GPU
mpirun -np 1 --bind-to numa lmp -k on g 1 -sf kk -pk kokkos -in input.in

# 单节点多 GPU（4 卡）
mpirun -np 4 --bind-to numa lmp -k on g 4 -sf kk -pk kokkos -in input.in

# 多节点（2 节点，每节点 4 卡）
mpirun -np 8 --bind-to numa --map-by ppr:4:node lmp -k on g 4 -sf kk -pk kokkos -in input.in

多节点运行时，必须在每个计算节点设置相同的 NEP_GPU_LIB_PATH 和 NEP_LICENSE_PATH，并确保所有节点都能访问共享库、License、输入文件和力场文件。

lammps 输入脚本

NEP KOKKOS 接口需要使用 half 近邻表并开启 Newton 通信：

package kokkos neigh half comm device
newton on

单模型推理的 pair_style 设置如下：

pair_style   matpl/nep/kk nep.txt
pair_coeff   * * Hf O

pair_coeff * * 后的元素名与 data 文件中的原子类型一一对应，并映射到 NEP 力场文件中的元素顺序。

多模型偏差计算

在主动学习流程中，可同时加载多个 NEP 力场文件并输出模型偏差：

pair_style   matpl/nep/kk nep1.txt nep2.txt nep3.txt out_freq 10 out_file explr.error
pair_coeff   * * Hf O

多个 nep*.txt 文件用于启用模型偏差计算。
out_freq N 表示每 N 步输出一次偏差，默认值为 1。
out_file name 用于指定偏差输出文件，默认文件名为 explr.error。

NPT 运行示例

以 HfO2 NEP 力场为例，完整的 NPT 输入脚本如下：

package kokkos neigh half comm device
newton on

units           metal
boundary        p p p
atom_style      atomic
neighbor        1.0 bin
neigh_modify    delay 10

read_data       structure.lmp
replicate       10 10 10

mass            1 178.49
mass            2 15.999

pair_style      matpl/nep/kk nep.txt
pair_coeff      * * Hf O

velocity        all create 300.0 12345
fix             1 all npt/kk temp 300 300 0.1 iso 0.0 0.0 0.5

thermo_style    custom step temp pe ke etotal press vol
thermo          10
timestep        0.002

run             1000

MatPL 热流计算

接口区别：开放源码版本只支持 matpl/heatflux；闭源版本支持 KOKKOS GPU 热流接口 matpl/heatflux/kk。下面的命令仅适用于闭源版本。

matpl/heatflux/kk 直接在 GPU 上计算 MatPL 热流，无需使用传统的 ke/atom + pe/atom + centroid/stress/atom + heat/flux 后处理链：

package kokkos neigh half comm device
newton on

pair_style   matpl/nep/kk nep.txt
pair_coeff   * * C

compute      flux all matpl/heatflux/kk
fix          fluxout all matpl/heatflux/ave/kk 10 100 1000 flux file compute_HeatFlux.out

compute matpl/heatflux/kk 输出包含 6 个分量的全局向量，依次为：

Jx：x 方向总热流。
Jy：y 方向总热流。
Jz：z 方向总热流。
Jconv,x：x 方向对流热流。
Jconv,y：y 方向对流热流。
Jconv,z：z 方向对流热流。

因此，virial 热流贡献可由总热流减去对流热流得到，即 (1-4, 2-5, 3-6)。fix matpl/heatflux/ave/kk 用于对热流向量进行时间平均，并将结果写入 compute_HeatFlux.out。

常见问题

错误信息或现象	原因	处理方法
`Failed to load NEP GPU library`	找不到共享库	检查 `NEP_GPU_LIB_PATH`，或将共享库目录加入 `LD_LIBRARY_PATH`
`Symbol not found: nep_*`	接口代码与共享库版本不匹配	使用同一 Release 中的 Source code 和 `libnep_gpu*.so`
`NEP GPU license check failed` 或 `License file not found`	License 不存在、路径错误或已过期	检查 `NEP_LICENSE_PATH`、文件权限和有效期
加载 `.so` 时报 `libcudart` 错误	CUDA 主版本不匹配	CUDA 11.x 使用 `cu118` 库，CUDA 12.x 使用 `cu128` 库
GPU 与 License 绑定不匹配或 GPU 数量超限	当前硬件不在 License 授权范围内	使用 `nvidia-smi --query-gpu=uuid` 检查 GPU，必要时限制 `CUDA_VISIBLE_DEVICES` 或更新 License

在线安装​

MatPL 编译安装​

下载源码​

创建 conda 虚拟环境​

创建Python虚拟环境​

Python虚拟环境安装依赖包​

编译安装-检查编译环境(GPU 版本)​

编译安装-检查编译环境(CPU 版本)​

编译安装-编译代码​

加载使用​

MatPL lammps 2026.3 开放源码版本接口编译安装​

下载 MatPL-2026.3 lammps 接口源码​

复制 MatPL-2026.3 lammps 接口源码到 LAMMPS 源码目录​

加载编译环境以及编译​

lammps 加载使用​

MatPL lammps 2026.3 闭源版本接口编译安装​

下载闭源版本接口文件​

闭源版本接口源码目录​

编译环境​

复制接口文件到 lammps 源码​

使用 cmake 编译 lammps​

配置共享库和 License​

运行 lammps​

运行命令​

lammps 输入脚本​

多模型偏差计算​

NPT 运行示例​

MatPL 热流计算​

更多运行示例​

常见问题​