====== 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：
graph TD;
A(PWMLFF)-->|产生数据集|AIMD;
A(PWMLFF)-->|Deep Potential Model|MLFF;
A(PWMLFF)-->LAMMPS;
AIMD-->atom.config;
AIMD-->|原子运动轨迹|MOVEMENT;
MLFF-->|提取特征|generate_data;
MLFF-->|力场训练|load_and_train;
MLFF-->|提取力场|extract_force_field;
extract_force_field-->*forcefield.ff;
*forcefield.ff-->LAMMPS;
LAMMPS-->|pair_style pwmatmlff|in.lammps;
LAMMPS-->|pair_coeff * * 5 1 myforcefield.ff 29|in.lammps;
===== 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[[http://www.pwmat.com/pwmat-resource/Manual.pdf|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 ([[#4-输入文件其他参数说明|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[[pwmat:pwmlff:param_dtls|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
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:
{{:pwmat:pwmlff:example:dp:record-files.png}}
* ''%%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.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
{{:pwmat:pwmlff:example:dp:epoch-train_valid_dat.png}}
* ''%%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[[https://github.com/LonxunQuantum/Lammps_for_PWMLFF|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
如果有多个力场文件（如[[./Si|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_path%%''和''%%model_name%%''，程序则会从上次训练中断/完成处继续训练。见[[pwmat:pwmlff:param_dtls|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_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。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[[pwmat:pwmlff:param_dtls|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[[pwmat:pwmlff:param_dtls|参数细节]]。
* ''%%optimizer%%''：优化器参数，推荐使用''%%LKF%%''和''%%ADAM%%''。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[[pwmat:pwmlff:param_dtls|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。