目录

Molecure Ethylene carbonate system

下文将以 C3H4O3 孤立体系为例，介绍如何使用 PWMLFF Neural Network 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)-->|Neural Network 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|load_and_train;
    MLFF-->|提取模型|extract_model_para;
    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 * * 3 1 myforcefield.ff 8 6 1|in.lammps;

1. 产生数据集

以 PWmat AIMD 模拟得到的 C3H4O3 数据为例，数据文件为MOVEMENT，包含 200 个结构，每个结构包含 10 个原子。

etot.input输入文件示例： 

8  1   
JOB = MD
MD_DETAIL = 2 200 1 400 400
XCFUNCTIONAL = PBE
Ecut = 60
ECUT2 = 240
MP_N123 = 1 1 1 0 0 0 3
ENERGY_DECOMP = T
OUT.STRESS = F
IN.ATOM = atom.config
IN.PSP1 = C.SG15.PBE.UPF
IN.PSP2 = H.SG15.PBE.UPF
IN.PSP3 = O.SG15.PBE.UPF

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nn_ec.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":["./EC_MOVEMENT"],
 
    "model_type": "NN",
    "atom_type":[8,6,1]
}

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=3080ti
#SBATCH --job-name=mlff
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=1
#SBATCH --gres=gpu:1
#SBATCH --gpus-per-task=1
 
PWMLFF train nn_ec.json > log

交互式运行： 

$ srun -p 3080ti --gres=gpu:1 --pty /bin/bash
$ PWMLFF train nn_ec.json

产生feature与train可以单独运行：

程序运行后，会在程序执行目录下生成forcefield和model_record目录: 

EC_system/
└── dir
    ├── forcefield
    │   ├── forcefield.ff
    │   ├── fread_dfeat            
    │   │   ├── data_scaler.txt           
    │   │   ├── feat.info            
    │   │   ├── vdw_fitB.ntype            
    │   │   └── Wij.txt     
    │   ├── input          
    │   │   ├── (egroup.in)  # 仅对MOVEMENT中存在ATOMIC ENERGY时起作用           
    │   │   └── *feature.in     
    │   └── (output)                     
    │       └── grid*   # feature 1, 2时使用
    │
    └── model_record
    │   ├── epoch_train.dat     # 每个 epoch 的训练误差
    │   ├── epoch_valid.dat     # 每个 epoch 的验证误差
    │   ├── iter_train.dat      # 每个 batch 的训练误差     
    │   ├── iter_valid.dat      # 每个 batch 的验证误差     
    │   ├── nn_model.ckpt       # 模型文件   
    │   └── scaler.pkl          # extracting scaler values of the model

epoch_loss.dat&epoch_loss_valid.dat

epoch-train_valid_dat3

  • loss 对应训练总误差
  • RMSE_Etot 对应训练能量误差
  • RMSE_F 对应训练力误差

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. 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,test_dir_name参数以及添加model_load_file参数。

相关输入示例： 

    "test_movement_file":["./MD/MOVEMENT"],
    "test_dir_name":"test_dir",
    "model_load_file":"./model_record/nn_model.ckpt",

验证程序运行示例：

将PWMLFF train nn_ec.json中的train修改为test： 

PWMLFF test nn_ec.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 nn-evaluation_plots-ec

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      * * 3 1 forcefield.ff 8 6 1

其中3表示使用 Neural Network 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，8, 6, 1 分别为 O, C, H 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      * * 3 1 forcefield.ff 8 6 1
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

{   
    "recover_train":false,
    "work_dir":"./work_train_dir",
    "reserve_work_dir": false,
 
    "train_movement_file":["./PWdata/MOVEMENT"],
 
    "forcefield_name": "forcefield.ff",
    "forcefield_dir": "forcefield",
 
    "test_movement_file":["./MD/MOVEMENT"],
    "test_dir_name":"test_dir",
 
    "train_valid_ratio":0.8,
 
    "model_type": "NN",
    "atom_type":[8,6,1],
    "feature_type":[7],
    "max_neigh_num":100, 
    "model":{
        "fitting_net": {
            "network_size": [15, 15, 1]
        },
        "descriptor": {
            "Rmax":6.0, 
            "Rmin":0.5,            
 
            "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]
            }
        }
    },
 
    "optimizer":{
        "optimizer":"LKF",
        "block_size":5120, 
        "kalman_lambda":0.98, 
        "kalman_nue":0.99870,
        "nselect":24,
        "groupsize":6,
 
        "batch_size": 1,
        "epochs":5,
        "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
 
        }
}