硅体系案例

硅体系的主动学习案例

本案例为硅体系的主动学习过程，案例位于 pwact/example/si_pwmat/。对于 Mcloud用户，请访问路径/share/public/PWMLFF_test_data/pwact_examples/25-pwact-demo即可。

案例首先通过 init_bulk 构造初始训练集，之后使用初始训练集训练模型，并使用在 init_bulk 中使用微扰产生的结构做为初始构型在 300K 、500K 和 900K 做主动学习采样。

请注意，案例中提供的DFT设置仅用于程序执行流程测试，不保证计算精度。

init_bulk 案例

启动命令如下

进入 pwact/example/si_pwmat/init_bulk 目录

pwact init_bulk init_param.json resource.json

init_bulk 目录结构

init_bulk 的[目录结构](#init_bulk 目录结构图)如下所示，atom.config、POSCAR、resource.json、init_param.json、relax_etot.input、relax_etot1.input、aimd_etot1.input、aimd_etot2.input为输入文件，collection 为执行后的结果汇总目录。

init_bulk 目录结构- collection 目录

datapath.txt文件内容是预训练数据所在目录记录。

init_config_0 目录为 atom.config 进过驰豫、阔胞、缩放、微扰、aimd 后的结果汇总。

relax.config 是对atom.config 做驰豫后得到的结构文件；super_cell.config是对relax.config做 阔胞后得到结构文件；0.9_scale.config和0.95_scale.config是对super_cell.config做晶格缩放后得到的结构文件；

0.9_scale_pertub目录包括对0.9_scale.config结构做晶格和原子位置微扰后得到的 30 个结构；

train.xyz 目录是对微扰后的结构做按照aimd_etot1.input做 AIMD 之后，将得到轨迹提取成 extxyz 格式后的结果目录。如果是提取为 pwmlff/npy 格式，则为 PWdata目录。内容如下所示。atom_type.npy是结构的原子类型，position.npy是结构中原子的位置信息，energies.npy、forces.npy、ei.npy、virials.npy 为结构的总能量、原子三个方向的力、原子能量和维里信息。ei.npy、virials.npy 是可选文件，如果轨迹中不包括原子能和维里，则不提取。

./init_config_0/PWdata/Si128
├── atom_type.npy
├── energies.npy
├── ei.npy
├── forces.npy
├── image_type.npy
├── lattice.npy
├── position.npy
└── virials.npy

init_bulk 目录结构- init_bulk 目录结构图

example/init_bulk
├──atom.config
├──POSCAR
├──resource.json
├──init_param.json
├──relax_etot.input
├──relax_etot1.input
├──relax_etot2.input
├──aimd_etot1.input
├──aimd_etot2.input
└──collection
    ├──datapath.txt
    ├──init_config_0
    │   ├──super_cell.config
    │   ├──0.9_scale.config
    │   ├──0.9_scale_pertub
    │   │       ├──0.9_scale.config
    │   │       ├──0_pertub.config
    │   │       ├──1_pertub.config
    │   │       ├──2_pertub.config
    │   │       ...
    │   │       └──30_pertub.config
    │   ├──0.95_scale.config
    │   ├──0.95_scale_pertub
    │   │       ├──0.95_scale.config
    │   │       ├──0_pertub.config
    │   │       ├──1_pertub.config
    │   │       ├──2_pertub.config
    │   │       ...
    │   │       └──30_pertub.config
    │   └──train.xyz
    ├──init_config_1
    ...

run 主动学习案例

我们使用 init_bulk 案例中的预训练数据和微扰后的结构，在 500K、800K 和 1100K 下做主动学习。

启动命令: 执行完毕 init_bulk 命令之后，进入 pwact/example/si_pwmat/ 目录：

pwact run param.json resource.json

run 主动学习文件目录

主动学习的[目录结构](#run 主动学习目录结构图)如下所示。

param.json和resource.json为主动学习输入控制文件，scf_etot.input为主动学习做自洽计算的输入文件。

si.al 为主动学习流程记录文件，记录已执行的主动学习流程。

iter_result.txt 为主动学习每个轮次中探索和选取结构用于标注的记录。内容如下例所示。第一行为本轮次的选点情况。Total structures 为采集到的结构数量 = ccurate 准确点 + selected 候选点数量 + error 错误点数量。第二行为MD轨迹的总结，以例子中所示，表示共运行了16条MD轨迹，其中16条MD正确运行结束，0条轨迹运行失败。运行失败的轨迹汇总在error_traj.log文件中。运行失败的情况一般是力场不够准确，导致MD运行崩溃。 接下来的行为标记过程中，已收敛和未收敛的结构数量统计以及未收敛的结构路径，对于为收敛的结构，在标记结束后，不会加入到训练集中。

iter.0000  Total structures 1296    accurate 6 rate 0.46%    selected 23 rate 1.77%    error 1267 rate 97.76%
A total of 16 MD trajectories were run. with 16 trajectories correctly executed and 0 trajectories normally completed. 
For detailed information, refer to File error_traj.log.

Number of converged files: 194, number of non-converged files: 3
List of non-converged files:
/share/public/PWMLFF_test_data/pwact_examples/25-pwact-demo/auag_vasp/run_iter_lmps/iter.0000/temp_run_iter_work/02.label/scf/md.002.sys.009/md.002.sys.009.t.001.p.001/3980-scf/OUTCAR
...

iter.0001  Total structures 12816    accurate 598 rate 4.67%    selected 2926 rate 22.83%    error 9292 rate 72.50%
A total of 16 MD trajectories were run. with 16 trajectories correctly executed and 0 trajectories normally completed. 
For detailed information, refer to File error_traj.log.

Number of converged files: 194, number of non-converged files: 3
List of non-converged files:
/share/public/PWMLFF_test_data/pwact_examples/25-pwact-demo/auag_vasp/run_iter_lmps/iter.0001/temp_run_iter_work/02.label/scf/md.002.sys.009/md.002.sys.009.t.001.p.001/3980-scf/OUTCAR
...

iter.0000 为第一轮次的主动学习目录，iter.0001为第二轮次的主动学习目录，以此类推。

00.train、01.explore、02.label 为主动学习轮次中对应的模型训练、探索、标记三个任务所在目录。

run 00.train 目录

对于00.train目录，这里采用4模型的委员会查询策略，训练4个模型，这4个模型只有网络参数的初始化值不同，其他完全相同。0-train.job、1-train.job、2-train.job、3-train.job 为执行训练任务的4个 slurm 任务脚本。训练任务执行完毕后，将生成4个标识任务执行成功的 tag 文件（0-tag.train.success、1-tag.train.success、2-tag.train.success、3-tag.train.success），以及4个模型，目录为train.000、train.001、train.002、train.003。

以train.000目录为例，train.json为MatPL模型训练的输入文件。std_input.json为MatPL输出的训练参数设置汇总。model_record为模型的保存目录，dp_model.ckpt为模型文件，epoch_train.dat为在每个epoch下的平均训练误差，为每个 epoch 训练结束后在验证集上的平均误差，保存在epoch_valid.dat。

torch_script_module.pt为训练结束后，使用 jitscript 工具编译 dp_model.ckpt 后的模型文件，做为力场，用于接下来在 lammps 中的模拟。

run 01.explore 目录

01.explore目录包括两个子目录，md和select子目录。

md目录为主动学习的探索目录，包括在不同温度、压强等条件下对初始结构调用 MatPL 力场做分子动力学模拟的文件（输入文件、轨迹）。

之后把模拟得到的结构（轨迹）根据委员会查询方法的上下界设置做筛选，筛选的结果保存在select子目录。

run 01.explore 目录- md 子目录

md 子目录包括两个子目录，目录名称为 md.***.sys.***/md.***.sys.***.t.***，例如 md.000.sys.000/md.000.sys.000.t.000， 对于md.000.sys.000目录，这里md.000的 000 指param.json中的md_jobs 对第 0 个 md 设置；sys.000 为sys_index 的下标 0 对应的结构。包括md.000.sys.000.t.000、md.000.sys.000.t.001两个子目录，分别表示在温度 temps 对应下标为0和1温度下的分子动力学模拟。

在每个md.*.sys.*目录下都有一个model_devi_distribution.png 文件，是对该目录下所有轨迹的偏差值分布统计绘图。

在最后一级子目录下，是对应MD设置以及轨迹文件：

0_torch_script_module.pt, 1_torch_script_module.pt, 2_torch_script_module.pt, 3_torch_script_module.pt, atom_type.txt, in.lammps, lmp.config, log.lammps, md.log, model_devi.out, tag.md.success

model_devi.out 格式：
#    step       avg_devi_f       min_devi_f       max_devi_f       avg_devi_e       min_devi_e       max_devi_e
        0      0.008682422      0.000574555      0.014187865      0.030333196      0.011702489      0.043806718
       10      0.016611307      0.000627126      0.027185410      0.031661788      0.005340899      0.048241921
       20      0.028689107      0.000811486      0.040269587      0.036761117      0.000214928      0.059791462
       30      0.046457606      0.001416745      0.063635973      0.049553956      0.000165127      0.081012839
       40      0.065051169      0.000681319      0.089395358      0.065790218      0.000036582      0.103522832

model_devi.out的第1列为当前步编号，第2列为力偏差的均值，第3列为力偏差最小值，第4列为力偏差最大值。力偏差最大值计算公式如下所示：

$\varepsilon_{t} = \max_i \sqrt{ \left\langle \sum_{w=1}^{W} \| F_{w,i}(R_t) - \hat{F_{i}} \|^2 \right\rangle }, \quad \hat{F_{i}} = \frac{1}{W} \sum_{w=1}^{W} F_{w,i}$

这里 $W$ 为模型数量，$i$为原子下标，$<>$为取平均。

后三列分别是原子能量的偏差均值、最小值和最大值。在PWact主动学习中使用的是第4列的最大力偏差值。

run 01.explore 目录- select 子目录

以下.csv文件内容包含 3 列，分别是力偏差（devi_force）、 结构在轨迹中对应的编号（config_index）、轨迹的文件路径（file_path）。

accurate.csv是力偏差小于设置的力偏差下限的结构汇总。

fail.csv是力偏差大于设置的力偏差上限的结构。

如果候选的结构（力偏差介于设置的力偏差上下限之间的结构）超过设置的最大选点数量 max_select，则将候选的结构随机选取 max_select个，存入candidate.csv文件，其余的存入candidate_delete.csv文件。

model_devi_distribution-md.*.sys.*.png 为超链接文件，是探索结构的偏差值分布绘图。

error_traj.log是 MD 过程为执行 MD 过程中断的轨迹，中断的原因一般是力场不准确造成原子丢失、原子靠的太近等。

select_summary.txt是筛选点的数据量信息汇总，内容如下例所示。

Total structures 862    accurate 0 rate 0.00%    selected 616 rate 71.46%    error 246 rate 28.54%

Select by model deviation force:
Accurate configurations: 0, details in file accurate.csv
Candidate configurations: 616, randomly select 27, delete 589
        Select details in file candidate.csv
        Delete details in file candidate_delete.csv.
Error configurations: 246, details in file fail.csv

A total of 10 MD trajectories were run. with 8 trajectories correctly executed and 2 trajectories normally completed. 
For detailed information, refer to File error_traj.log.

run 02.label 目录

02.label 目录包括 scf 和 result 两个子目录。scf为对explore中筛选出的点做自洽计算的目录。自洽计算后，将结构和对应的能量、力、原子能、维里提取为 pwdata 格式，保存在result子目录，作为后面主动学习轮次的训练数据。

run 02.label 目录- scf

scf 下的一级和二级子目录 md.*.sys.*/md.*.sys.*.t.* 与md 子目录的结构和名称意义完全相同。在二级子目录下，是自洽计算的目录。以scf/md.000.sys.000/md.000.sys.000.t.000/820-scf目录为例，这里 820 指md.000.sys.000/md.000.sys.000.t.000轨迹的第 820 步对应的结构。该目录下，820.config为自洽计算的输入结构，etot.input为自洽计算的输入控制文件，REOPORT和OUT.MLMD为 PWMAT 的输出文件。其中OUT.MLMD文件包括了自洽计算后的结构原子位置信息、能量、力等信息。

run 02.label 目录- result

result 为标记结束后的带标签数据集汇总，如果设置 data_format 为 extxyz 格式，将提取为 train.xyz 文件。如果为 pwmlff/npy 格式，则为 PWdata 目录，目录下是具体数据。

run 主动学习目录结构图

example
├──param.json
├──resource.json
├──scf_etot.input
├──si.al
├──iter_result.txt
├──iter.0000
│    ├──00.train
│    │   ├──0-train.job
│    │   ├──1-train.job
│    │   ├──3-train.job
│    │   ├──2-train.job
│    │   ├──train.000
│    │   │    ├──train.json
│    │   │    ├──std_input.json
│    │   │    ├──model_record
│    │   │    │    ├──dp_model.ckpt
│    │   │    │    ├──epoch_train.dat
│    │   │    │    └──epoch_valid.dat
│    │   │    ├──torch_script_module.pt
│    │   │    └──tag.train.success
│    │   ├──train.001
│    │   │    └──...
│    │   ├──train.002
│    │   │    └──...
│    │   ├──train.003
│    │   │    └──...
│    │   ├──0-tag.train.success
│    │   ├──1-tag.train.success
│    │   ├──2-tag.train.success
│    │   └──3-tag.train.success
│    ├──01.explore
│    │   ├──md
│    │   │    ├──md.000.sys.000
│    │   │    │     ├──md.000.sys.000.t.000.p.000
│    │   │    │     ├──...
│    │   │    │     └──model_devi_distribution.png
│    │   │    ├──md.000.sys.001
│    │   │    ├──md.001.sys.000
│    │   │    └──md.001.sys.003
│    │   └──select
│    │        ├──accurate.csv
│    │        ├──candidate.csv
│    │        ├──candidate_delete.csv
│    │        ├──fail.csv
│    │        ├──error_traj.log
│    │        ├──select_summary.txt
│    │        ├──model_devi_distribution-md.000.sys.000.png
│    │        └──...
│    └──02.label
│    │   ├──scf
│    │   │    ├──md.000.sys.000
│    │   │    │    ├──md.000.sys.000.t.001
│    │   │    │    │    ├──820-scf
│    │   │    │    │    │    ├──820.config
│    │   │    │    │    │    ├──etot.input
│    │   │    │    │    │    ├──REPORT
│    │   │    │    │    │    └──OUT.MLMD
│    │   │    │    │    ├──200-scf
│    │   │    │    │    └──...
│    │   │    │    └──md.000.sys.000.t.000
│    │   │    │         └──...
│    │   │    ├──md.000.sys.001
│    │   │    ├──...
│    │   │    ├──md.001.sys.000
│    │   └──result
│    │        └──train.xyz

├──iter.0001
│    └──...
├──...