Bulk SiC system
下文将以 Bulk SiC 系统为例，介绍如何使用 PWMLFF Linear Model 进行训练，以及如何使用训练好的模型进行预测。
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 SiC 数据为例，数据文件为MOVEMENT，包含 100 个结构，每个结构包含 216 个原子。
etot.input输入文件示例：
4 1
JOB = MD
MD_DETAIL = 3 1000 1 300 1000
#MD_DETAIL = 3 1000 1 300 300
XCFUNCTIONAL = PBE
Ecut = 50
ECUT2 = 200
MP_N123 = 2 2 2 0 0 0 3
E_ERROR = 0
wg_error = 0
RHO_ERROR = 1E-4
ENERGY_DECOMP = T
OUT.STRESS = F
IN.ATOM = atom.config
IN.PSP1 = Si.SG15.PBE.UPF
IN.PSP2 = C.SG15.PBE.UPF
- 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. 训练过程
2.1 提取特征
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 训练输入文件
当前目录下，新建*.json文件(如linear_sic.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":["./1_300_MOVEMENT", "./2_300_MOVEMENT"],
"model_type": "Linear",
"atom_type":[14, 6]
}
train_movement_file:MOVEMENT文件存放名。可以设置同时多个文件。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，14 和 6 分别为 Si 和 C 的原子序数
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。如conda activate PWMLFF。
#!/bin/sh
#SBATCH --partition=3080ti
#SBATCH --job-name=mlff
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=1
#SBATCH --gres=gpu:1
#SBATCH --gpus-per-task=1
# mcloud 已安装环境加载
# 这里推荐
source /share/app/PWMLFF/PWMLFF2024.5/env.sh
# 或者采用以下方式分步加载
# source /share/app/anaconda3/etc/profile.d/conda.sh
# module load conda/3-2020.07
# conda deactivate
# conda activate PWMLFF
# module load pwmlff/2024.5
#
PWMLFF train linear_sic.json > log
交互式运行：
$ srun -p 3080ti --gres=gpu:1 --pty /bin/bash
# mcloud 已安装环境加载
$ source /share/app/PWMLFF/PWMLFF2024.5/env.sh
#
$ PWMLFF train linear_sic.json
程序运行后，会在程序执行目录下生成forcefield目录:
forcefield
├── forcefield.ff
├── fread_dfeat
│ ├── energyL*
│ ├── forceL*
│ ├── linear*
│ ├── weight_feat.*
│ ├── energyL*
│ ├── ...
│ ├── feat*
│ ├── weight_feat.*
│ └── linear_fitB.ntype
├── input
│ └── *feature.in
├── (output)
└── grid* # feature 1, 2时使用
3. 验证/测试
训练完成后，可以对模型进行验证/测试，以确定模型的拟合效果。
新建目录(如MD)，将另一个的MOVEMENT文件复制到该目录中。同时在.json文件中设置test_movement_file和test_dir_name参数。
"test_movement_file":["./MD/MOVEMENT"],
"test_dir_name":"test_dir",
验证程序运行示例：
将PWMLFF train linear_sic.json中的train修改为test：
PWMLFF test linear_sic.json
程序运行完成后，验证结果保存在test_dir_name设置的test_dir/目录下
警告
pre_fac_ei不为0时，即进行atomic energy的训练时，如果用于验证的MOVEMENT中没有atomic energy，则test程序不会自动输出atomic-energy的验证图。
4. 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 * * 1 1 forcefield.ff 14 6
其中1表示使用 Linear 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，14 和 6 分别为 Si 和 C 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 * * 1 1 forcefield.ff 14 6
velocity all create 300 206952 dist gaussian
timestep 0.001
fix 1 all nvt temp 300 300 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
5. 输入文件其他参数说明
{
"work_dir":"./work_dir",
"reserve_work_dir": false,
"train_movement_file":["MOVEMENT"],
"forcefield_name": "forcefield.ff",
"forcefield_dir": "forcefield",
"test_movement_file":["./MD/MOVEMENT"],
"test_dir_name":"test_dir",
"model_type": "Linear",
"atom_type":[14,6],
"max_neigh_num":100,
"optimizer":{
"pre_fac_force":0.5,
"pre_fac_etot":0.5,
"pre_fac_ei":0.5
},
"model":{
"descriptor": {
"Rmax":6.0,
"Rmin":0.5,
"feature_type":[3,4],
"1":{
"numOf2bfeat": 24,
"iflag_grid": 3,
"fact_base": 0.2,
"dR1": 0.5,
"iflag_ftype": 3
},
"2":{
"numOf3bfeat1" : 3,
"numOf3bfeat2" : 3,
"iflag_grid" : 3,
"fact_base" : 0.2,
"dR1" : 0.5,
"dR2" : 0.5,
"iflag_ftype" : 3
},
"3":{
"n2b": 6,
"w": [1.0, 1.5, 2.0]
},
"4":{
"n3b": 20,
"zeta": 2.0,
"w": [0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0]
},
"5":{
"n_MTP_line":5
},
"6":{
"J":3.0,
"n_w_line":2,
"w1":[0.9, 0.1, 0.8, 0.2, 0.7, 0.3, 0.6, 0.4],
"w2":[0.1, 0.9, 0.2, 0.8, 0.3, 0.7, 0.3, 0.6]
},
"7":{
"M":25,
"M2":4,
"weight_r":1.0
},
"8": {
"M":8,
"weight_r":1.0,
"w":[1.0, 1.5, 2.0, 2.5]
}
}
}
}
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_dir为true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。forcefield_name: 生成的力场文件名称。可不设置。forcefield_dir: 生成的力场文件存放的目录。可不设置。test_movement_file: 用于训练完成后验证模型的MOVEMENT文件。(详情见验证测试部分)test_dir_name: 训练完成后验证模型的MOVEMENT文件的存放目录。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，14 和 6 分别为 Si 和 C 的原子序数max_neigh_num：最大近邻原子数。etot_weight：训练时总能量的权重。force_weight：训练时原子力的权重。ei_weight：训练时原子能量的权重，设置为 0 时表示不训练原子能量。model: 模型参数，具体参数配置参考参数细节。feature_type：特征类型，3,4 对应 2-body and 3-body Gaussian feature，详见特征类型