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;

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PWmat manual。

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。

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 (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参数细节。
• atom_type：原子类型，Cu 的原子序数为 29。

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:

• 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。

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      * * 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

{
    "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。