====== 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： graph TD; A(PWMLFF)-->|产生数据集|AIMD; A(PWMLFF)-->|Linear Model|MLFF; AIMD-->atom.config; AIMD-->|原子运动轨迹|MOVEMENT; MLFF-->|提取特征|generate_data; MLFF-->|训练过程|train; MLFF-->|验证|evaluation; MLFF-->|提取力场|extract_force_field; evaluation-->plot_evaluation; extract_force_field-->*forcefield.ff; *forcefield.ff-->LAMMPS; LAMMPS-->|pair_style pwmatmlff|in.lammps; LAMMPS-->|pair_coeff * * 1 1 myforcefield.ff 14 6|in.lammps; ===== 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[[http://www.pwmat.com/pwmat-resource/Manual.pdf|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 ([[#5-输入文件其他参数说明|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[[pwmat:pwmlff:param_dtls|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 PWMLFF train linear_sic.json > log 交互式运行： $ srun -p 3080ti --gres=gpu:1 --pty /bin/bash $ 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{{:pwmat:pwmlff:example:linear:linear-evaluation_plots-sic.png|linear-evaluation_plots-sic}} ''%%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[[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 * * 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。([[#3-验证测试|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[[pwmat:pwmlff:param_dtls|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[[pwmat:pwmlff:param_dtls|参数细节]]。 * ''%%feature_type%%''：特征类型，3,4 对应 2-body and 3-body Gaussian feature，详见[[pwmat:pwmlff:appendix1|特征类型]]