DP-Gen运行环境配置，已经低内核版本超算集群适配。
环境创建
Deepmd-kit与lammps兼容问题，在尝试多个版本后，找到最佳解决方案
-
安装兼容的
GCC和G++（推荐conda-forge，base环境）bashmamba install -c conda-forge gcc_linux-64 gxx_linux-64mamba install -c conda-forge compilers -
安装
mambabashconda install mamba -n base -c conda-forgemamba管理conda环境，避免多个环境造成资源消耗。
修改**
~/.bashrc** ，mamba第一次执行activate有相关提示，将MAMBA_EXE和MAMBA_ROOT_PREFIX修改到conda目录bash# >>> mamba initialize >>># !! Contents within this block are managed by 'mamba shell init' !!export MAMBA_EXE='/cache/jxgan2024/miniconda/bin/mamba';export MAMBA_ROOT_PREFIX='/cache/jxgan2024/miniconda';__mamba_setup="$("$MAMBA_EXE" shell hook --shell bash --root-prefix "$MAMBA_ROOT_PREFIX" 2> /dev/null)"if [ $? -eq 0 ]; theneval "$__mamba_setup"elsealias mamba="$MAMBA_EXE" # Fallback on help from mamba activatefiunset __mamba_setup# <<< mamba initialize <<< -
安装
deepmd，lammps通过
mamba有效解决环境冲突问题，如遇到环境冲突mamba将终止安装。安装完成，测试lmp -h查看pair-style若没有deepmd，不一定是安装失败，可直接提交任务测试bashmamba create -n deepmd deepmd-kit=*=*gpu libdeepmd=*=*gpu lammps cudatoolkit horovod -c conda-forge -
安装
dpgenbashpip install dpgen -
安装
dpdatabashpip install dpdata -
解决
dpgen与课题组集群pbs命令冲突问题-
在DPGEN文件路径：
your-conda-home/envs/deepmd/lib/python3.9/site-packages/dpgen/auto_test/lib/vasp.py中修改K点pythondef _make_vasp_kp_gamma(kpoints):ret = ""ret += "Automatic mesh\n"ret += "0\n"ret += "Gamma\n"ret += "%d %d %d\n" % (kpoints[0], kpoints[1], kpoints[2]) # noqa: UP031ret += "0 0 0\n"return retdef _make_vasp_kp_mp(kpoints):ret = ""ret += "K-Points\n"ret += " 0\n"ret += "Monkhorst Pack\n"ret += "%d %d %d\n" % (kpoints[0], kpoints[1], kpoints[2]) # noqa: UP031ret += " 0 0 0\n"return ret -
pbs命令纠正your-conda-home/envs/deepmd/lib/python3.9/site-packages/dpdispatcher/machines/pbs.pyqstat命令参数错误bashcommand = "qstat -x " + job_id修改为（记得最后一个空格）：
bashcommand = "qstat " + job_id -
pbs纠正your-conda-home/envs/deepmd/lib/python3.9/site-packages/dpdispatcher/machines/pbs.pypbs资源请求参数错误pythonpbs_script_header_dict["select_node_line"] = (f"#PBS -l select={resources.number_node}:ncpus={resources.cpu_per_node}")修改为：
pythonpbs_script_header_dict["select_node_line"] = (f"#PBS -l nodes={resources.number_node}:ppn={resources.cpu_per_node}") -
lammps脚本输入位置修改
/cache/jxgan2024/miniconda/envs/deepmd3/lib/python3.10/site-packages/dpgen/generator/lib/lammps.py
-
-
TensorRT安装（用于性能优化）
bashconda install -c nvidia tensorrt
数据集构建
AIMD计算
低精度
fortran
Global ParametersISTART = 0 (Read existing wavefunction, if there)ISPIN = 1 (Non-Spin polarised DFT)# ICHARG = 11 (Non-self-consistent: GGA/LDA band structures)LREAL = A (Projection operators: automatic)ENCUT = 400 (Cut-off energy for plane wave basis set, in eV)LWAVE = .FALSE. (Write WAVECAR or not)LCHARG = .FALSE. (Write CHGCAR or not)ADDGRID= .FALSE. (Increase grid, helps GGA convergence)PREC = N (Accurate strictly avoids any aliasing or wrap around errors)ISYM = 0ALGO = FastNWRITE = 2# TemparetureTEBEG = 700TEEND = 200Electronic RelaxationISMEAR = 0 (Gaussian smearing, metals:1)SIGMA = 0.05 (Smearing value in eV, metals:0.2)NELM = 60 (Max electronic SCF steps)NELMIN = 4 (Min electronic SCF steps)EDIFF = 1E-04 (SCF energy convergence, in eV)Ionic RelaxationNSW = 5000 (Max ionic steps)IBRION = 0 (Algorithm: 0-MD, 1-Quasi-New, 2-CG)ISIF = 3 (Stress/relaxation: 2-Ions, 3-Shape/Ions/V, 4-Shape/Ions)POTIM = 2MDALGO = 3# 解决VASP的old and new charge differLSCALAPACK = .FALSE.# coreNPAR = 4# 范德华修正IVDW = 11 (Grimme-D3方法的vdW修正)# VDW_S8 = 1.0
单步高精度
fortran
Global ParametersISTART = 0 (Read existing wavefunction, if there)ISPIN = 1 (Non-Spin polarised DFT)# ICHARG = 11 (Non-self-consistent: GGA/LDA band structures)LREAL = A (Projection operators: automatic)ENCUT = 400 (Cut-off energy for plane wave basis set, in eV)LWAVE = .FALSE. (Write WAVECAR or not)LCHARG = .FALSE. (Write CHGCAR or not)ADDGRID= .FALSE. (Increase grid, helps GGA convergence)PREC = N (Accurate strictly avoids any aliasing or wrap around errors)ISYM = 2ALGO = NNWRITE = 2Electronic RelaxationISMEAR = 0 (Gaussian smearing, metals:1)SIGMA = 0.05 (Smearing value in eV, metals:0.2)NELM = 60 (Max electronic SCF steps)NELMIN = 4 (Min electronic SCF steps)EDIFF = 1E-04 (SCF energy convergence, in eV)Ionic RelaxationNSW = 0 (Max ionic steps)IBRION = 0 (Algorithm: 0-MD, 1-Quasi-New, 2-CG)ISIF = 3 (Stress/relaxation: 2-Ions, 3-Shape/Ions/V, 4-Shape/Ions)POTIM = 2MDALGO = 3# 解决VASP的old and new charge differLSCALAPACK = .FALSE.# coreNPAR = 4# 范德华修正IVDW = 11 (Grimme-D3方法的vdW修正)
文件结构
bash
.├── Bi-pmn21-551-500│ ├── POSCAR-0│ ├── POSCAR-1│ └── ...├── Bi-pmn21-551-500-cal│ ├── 0│ │ ├──INCAR│ │ ├──KPOINTS│ │ ├──POSCAR│ │ ├──POTCAR│ │ ├──vasp-jobs│ │ └── ...│ ├── 1│ │ ├──INCAR│ │ ├──KPOINTS│ │ ├──POSCAR│ │ ├──POTCAR│ │ ├──vasp-jobs│ │ └── ...├── Bi-pmna-551-500│ └── ...├── Bi-pmna-551-500-cal│ └── ...├── build_dataset.sh├── export_data.py├── INCAR├── jobs-shell├── KPOINTS├── POTCAR└── vasp-jobs
build_dataset.h 单步高精度任务提交
bash
#!/bin/bashroot_path=$(pwd)for jj in Bi-pmna-551-500 ; dodir=$jj'-cal'echo $dirmkdir -p $dirnub=$(find "$jj" -type f | wc -l)echo $nubsteps=0for j in $(seq 0 $(($nub - 1))); domkdir -p $dir/$jcd $dir/$jln -sf ../../INCAR INCARln -sf ../../KPOINTS KPOINTSln -sf ../../POTCAR POTCAR# ln -sf ../../jobs-fatcpuQ jobs-fatcpuQln -sf ../../jobs-shell jobs-shell# ln -sf ../../jobs-six_hours jobs-six_hoursln -sf ../../vasp-jobs vasp-jobscp ../../$jj/POSCAR-$j POSCARsh jobs-shellcd $root_path# 正确增加计数器steps=$((steps+1))echo "当前完成步数: $steps"doneecho "完成目录 $jj 的处理，总共执行了 $steps 步"done
export_data.py 转换为deepmd数据格式
python
import osimport dpdatafrom numpy import *import matplotlib.pyplot as pltfrom tqdm import tqdmfrom pathlib import Pathimport sysfrom caesar.logger.logger import setup_loggerlogger = setup_logger(__name__)def process_dataset(dataset_name: str, current_path: str) -> None:"""处理单个数据集Args:dataset_name: 数据集名称current_path: 当前工作目录"""try:file_path = os.path.join(current_path, dataset_name)if not os.path.exists(file_path):logger.error(f"数据集路径不存在: {file_path}")returndir_list = [d for d in os.listdir(file_path) if d.isdigit()]if not dir_list:logger.warning(f"数据集 {dataset_name} 中没有找到数字命名的文件夹")returndir_list_sorted = sorted(dir_list, key=lambda x: int(x), reverse=False)output_dir = Path(dataset_name[:-4] + '-train-data')output_dir.mkdir(exist_ok=True)logger.info(f"开始处理数据集: {dataset_name}")for index in tqdm(dir_list_sorted,desc=f"处理 {dataset_name}",colour='#ffffcc'):try:index_file = os.path.join(file_path, index)vasprun = os.path.join(index_file, 'vasprun.xml')if not os.path.exists(vasprun):logger.warning(f"文件不存在: {vasprun}")continuedsys = dpdata.LabeledSystem(vasprun)output_path = output_dir / str(index)dsys.to_deepmd_npy(str(output_path))dsys.to_deepmd_raw(str(output_path))logger.debug(f"成功处理文件夹: {index}")except Exception as e:logger.error(f"处理文件夹 {index} 时出错: {str(e)}")continueexcept Exception as e:logger.error(f"处理数据集 {dataset_name} 时出错: {str(e)}")def main():"""主函数"""try:current_path = os.getcwd()logger.info(f"当前工作目录: {current_path}")dataset_path = ['Bi-pmn21-551-500-cal', 'Bi-pmna-551-500-cal']for dataset in tqdm(dataset_path,desc="总进度",colour='#99cccc'):process_dataset(dataset, current_path)logger.info("所有数据集处理完成！")except Exception as e:logger.error(f"程序执行出错: {str(e)}")sys.exit(1)if __name__ == "__main__":main()
训练势函数
文件目录结构
bash
├── init│ ├── Bi-pmn21-551-500-train-data│ ├── Bi-pmna-551-500-train-data│ ├── POSCAR-pmn21-551│ └── POSCAR-pmna-551├── run│ ├── dpdispatcher.log （dpgen生成）│ ├── dpgen.log （dpgen生成）│ ├── dp-run│ ├── INCAR_vasp│ ├── iter.000000 （dpgen生成）│ ├── machine.json│ ├── param.json│ ├── POTCAR│ └── record.dpgen （dpgen生成）└── work （dpgen生成）
machine.json
json
{"api_version": "1.0","deepmd_version": "2.2.10","train": [{"command": "dp","machine": {"batch_type": "pbs","context_type": "local","machine_type": "shell","local_root": "./","remote_root": "../work/"},"resources": {"number_node": 1,"cpu_per_node": 4,"_gpu_per_node": 1,"queue_name": "gpuQ","group_size": 1,"custom_flags": ["#PBS -N dpgen","#PBS -l walltime=30:00:00:00","#PBS -W x=GRES:gpu@1","#PBS -S /bin/bash","source activate deepmd3","export OMP_NUM_THREADS=4","export TF_ENABLE_ONEDNN_OPTS=0"]}}],"model_devi": [{"command": "mpirun -n 4 lmp","machine": {"batch_type": "pbs","context_type": "local","machine_type": "shell","local_root": "./","remote_root": "../work/"},"resources": {"number_node": 1,"cpu_per_node": 16,"_gpu_per_node": 0,"queue_name": "gpuQ","group_size": 1,"custom_flags": ["#PBS -N lmp","#PBS -l walltime=30:00:00:00","#PBS -W x=GRES:gpu@4","#PBS -S /bin/bash","#PBS -V","source activate deepmd3","export OMP_NUM_THREADS=4","export TF_INTRA_OP_PARALLELISM_THREADS=4","export TF_INTER_OP_PARALLELISM_THREADS=2"]}}],"fp": [{"command": "mpirun -genv I_MPI_DEVICE rdma -machinefile /tmp/nodefile.$$ -n $NP /opt/software/vasp/vasp-6.3.0/bin/vasp_std >vasp.out","machine": {"batch_type": "PBS","context_type": "local","machine_type": "shell","local_root": "./","remote_root": "../work/"},"resources": {"number_node": 1,"cpu_per_node": 40,"_gpu_per_node": 0,"queue_name": "six_hours","group_size": 1,"custom_flags": ["#PBS -N vasp","#PBS -l walltime=30:00:00:00","#PBS -S /bin/bash","#PBS -V","cd $PBS_O_WORKDIR","source /opt/intel/impi/2018.1.163/bin64/mpivars.sh","source /opt/intel/compilers_and_libraries_2018/linux/bin/compilervars.sh intel64","source /opt/intel/mkl/bin/mklvars.sh intel64"]}}]}
parma.json
json
{"type_map": ["Bi"],"mass_map": [208.98],"init_data_prefix": "../init/","init_data_sys": ["Bi-pmn21-551-500-train-data", "Bi-pmna-551-500-train-data"],"sys_configs_prefix": "../init/","train_backend":"tensorflow","sys_configs": [["POSCAR-pmn21-551", "POSCAR-pmna-551"],["POSCAR-pmn21-551"],["POSCAR-pmna-551"]],"_comment": " that's all ","numb_models": 4,"default_training_param": {"model": {"type_map": ["Bi"],"descriptor": {"type": "se_e2_a","sel": [25],"rcut_smth": 0.5,"rcut": 6.0,"neuron": [25, 50, 100],"resnet_dt": true,"axis_neuron": 12,"seed": 1,"_precision": "float32"},"fitting_net": {"neuron": [240, 240, 240],"resnet_dt": true,"seed": 1,"_precision": "float32"}},"learning_rate": {"type": "exp","start_lr": 0.001,"stop_lr": 1.0e-8,"decay_steps": 100},"loss": {"start_pref_e": 0.02,"limit_pref_e": 1,"start_pref_f": 1000,"limit_pref_f": 1,"start_pref_v": 0.02,"limit_pref_v": 1},"training": {"_set_prefix": "set","stop_batch": 400000,"training_data": {"batch_size": "auto"},"seed": 1,"disp_file": "lcurve.out","disp_freq": 1000,"_numb_test": 4,"save_freq": 1000,"save_ckpt": "model.ckpt","disp_training": true,"time_training": true,"profiling": false,"profiling_file": "timeline.json","_comment": "that's all"}},"model_devi_dt": 0.001,"model_devi_skip": 0,"model_devi_f_trust_lo": 0.05,"model_devi_f_trust_hi": 0.15,"_model_devi_e_trust_lo": 10000000000.0,"_model_devi_e_trust_hi": 10000000000.0,"model_devi_clean_traj": false,"model_devi_jobs": [{"sys_idx": [1],"temps": [600, 500, 400, 300, 200, 100, 50],"press": [1.0, 10, 100, 1000, 10000, 20000, 50000],"trj_freq": 10,"nsteps": 1000,"ensemble": "npt","_idx": "00"},{"sys_idx": [2],"temps": [600, 500, 400, 300, 200, 100, 50],"press": [1.0, 10, 100, 1000, 10000, 20000, 50000],"trj_freq": 10,"nsteps": 3000,"ensemble": "npt","_idx": "01"},{"sys_idx": [0, 1,2],"temps": [600, 500, 400, 300, 200, 100, 50],"press": [1.0, 10, 100, 1000, 10000, 20000, 50000],"trj_freq": 10,"nsteps": 5000,"ensemble": "npt","_idx": "01"}],"fp_style": "vasp","shuffle_poscar": false,"fp_task_max": 10,"fp_task_min": 5,"fp_pp_path": "./","fp_pp_files": ["POTCAR"],"fp_incar": "./INCAR_vasp"}
dpgen运行
bash
source activate deepmddpgen run param.json machine.json >> dpgen.log 2>&1
以下摘自官方文档
Workflow of the DP-GEN
深度势能生成器（DeeP Potential GENerator，DP-GEN）是一个实现并发学习方案以生成可靠深度势能（DP）模型的软件包。通常，DP-GEN 的工作流程包含三个过程：初始化（init）、运行（run）和自动测试（autotest）。
- 初始化（init）：通过第一性原理计算生成初始训练数据集。
- 运行（run）：DP-GEN 的主要过程，在此过程中训练数据集得到丰富，DP 模型的质量自动得到提高。
- 自动测试（autotest）：计算一组简单的性质和/或进行测试，以与密度泛函理论（DFT）和/或经验原子间势能进行比较。
param.json
param.json 中的关键字可以分为 4 部分：
- 系统和数据：用于指定原子类型、初始数据等。
- 训练：主要用于指定训练步骤中的任务。
- 探索：主要用于指定标记步骤中的任务。
- 标记：主要用于指定标记步骤中的任务。
这里我们以气相甲烷分子为例介绍 param.json 中的主要关键字。
系统和数据
与系统和数据相关的关键字如下：
json
**"type_map"**: ["H","C"],**"mass_map"**: [1,12],**"init_data_prefix"**: "../",**"init_data_sys"**: ["init/CH4.POSCAR.01x01x01/02.md/sys-0004-0001/deepmd"],**"sys_configs_prefix"**: "../",**"sys_configs"**: [["init/CH4.POSCAR.01x01x01/01.scale_pert/sys-0004-0001/scale-1.000/00000*/POSCAR"],["init/CH4.POSCAR.01x01x01/01.scale_pert/sys-0004-0001/scale-1.000/00001*/POSCAR"]],**"_comment"**: " that's all ",
关键字说明：
| 关键字 | 类型 | 说明 |
|---|---|---|
| “type_map” | list | 原子类型 |
| “mass_map” | list | 标准原子质量。 |
| “init_data_prefix” | string | 初始数据目录的前缀。 |
| “init_data_sys” | list | 初始数据的目录。你可以在此处使用绝对路径或相对路径。 |
| “sys_configs_prefix” | string | sys_configs 的前缀。 |
| “sys_configs” | list | 包含在迭代中要探索的结构的目录。这里支持通配符。 |
示例说明：
与系统相关的关键字指定了系统的基本信息。“type_map”给出了原子类型，即“H”和“C”。“mass_map”给出了标准原子质量，即“1”和“12”。
与数据相关的关键字指定了用于训练初始深度势能（DP）模型的初始数据以及用于模型偏差计算的结构。“init_data_prefix”和“init_data_sys”指定了初始数据的位置。“sys_configs_prefix”和“sys_configs”指定了结构的位置。在这里，初始数据在“…… /init/CH4.POSCAR.01x01x01/02.md/sys-0004-0001/deepmd”提供。这些结构分为两组，并在“……/init/CH4.POSCAR.01x01x01/01.scale_pert/sys-0004-0001/scale-1.000/00000*/POSCAR”和“……/init/CH4.POSCAR.01x01x01/01.scale_pert/sys-0004-0001/scale-1.000/00001*/POSCAR”提供。
训练
与训练相关的关键字如下： https://docs.deepmodeling.com/projects/deepmd/en/master/train-input-auto.html#model-descriptor-type
fitting_net param
model/fitting_net 配置参数用于拟合物理属性，并根据 type 参数的不同接受不同的子参数。以下是对各选项的详细解释：
type 参数
- 路径:
model/fitting_net/type - 类型:
str - 默认值:
ener - 可选值:
ener,dipole,polar ener: 拟合能量模型（势能面）。dipole: 拟合原子偶极矩模型。需要在数据系统中提供dipole.npy文件。polar: 拟合原子极化率模型。需要在数据系统中提供polarizability.npy文件。
ener 模型配置参数
numb_fparam- 类型:
int - 默认值:
0 - 描述: 帧参数的维度。如果大于0，则需要包含
fparam.npy文件来提供输入参数。
- 类型:
numb_aparam- 类型:
int - 默认值:
0 - 描述: 原子参数的维度。如果大于0，则需要包含
aparam.npy文件来提供输入参数。
- 类型:
neuron- 类型:
list - 默认值:
[120, 120, 120] - 描述: 拟合网络中每个隐藏层的神经元数量。当两个隐藏层的大小相同时，将构建一个跳跃连接（skip connection）。
- 类型:
activation_function- 类型:
str - 默认值:
tanh - 描述: 拟合网络中的激活函数。支持的激活函数包括
relu,relu6,softplus,sigmoid,tanh,gelu。
- 类型:
precision- 类型:
str - 默认值:
float64 - 描述: 拟合网络参数的精度。支持的选项包括
default,float16,float32,float64。
- 类型:
resnet_dt- 类型:
bool - 默认值:
True - 描述: 是否在跳跃连接中使用时间步长（timestep）。
- 类型:
trainable- 类型:
list | bool - 默认值:
True - 描述: 是否使拟合网络中的参数可训练。可以是一个布尔值或一个布尔值列表。
- 类型:
rcond- 类型:
float - 默认值:
0.001 - 描述: 用于确定每种类型原子的初始能量偏移的条件数。
- 类型:
seed- 类型:
int | NoneType - 描述: 用于初始化拟合网络参数的随机种子。
- 类型:
atom_ener- 类型:
list - 默认值:
[] - 描述: 指定每种类型原子在真空中的能量。
- 类型:
dipole 模型配置参数
与 ener 模型相似，但涉及偶极矩的拟合。参数如 neuron、activation_function 等配置相同。
polar 模型配置参数
与 ener 模型相似，但涉及极化率的拟合。
json
**"numb_models"**: 4,**"default_training_param"**: {**"model"**: {**"type_map"**: ["H","C"],**"descriptor"**: {//The type of the descriptor is set to "se_a"**"type"**: "se_a",//“sel”给出了截断半径内的最大可能邻居数量。它是一个列表，其长度与系统中的原子类型数量相同，并且“sel[i]”表示类型为 i 的最大可能邻居数量。**"sel"**: [16,4],//“rcut_smth”给出平滑开始的位置。**"rcut_smth"**: 0.5,//“rcut”是用于近邻搜索的截断半径**"rcut"**: 5.0,//该**neuron**指定了嵌入网络的大小。从左到右，成员分别表示从输入端到输出端每个隐藏层的大小。如果外层的大小是内层的两倍，则会将内层复制并连接在一起，并在它们之间构建一个ResNet架构。**"neuron"**: [120,120,120],// 如果选项 `resnet_dt` 设置为 true，则在 ResNet 中会使用时间步长 (timestep)。**"resnet_dt"**: **true**,// `axis_neuron` 指定了嵌入矩阵中子矩阵的大小，即 DeepPot-SE 论文中所解释的轴矩阵 (axis matrix)。**"axis_neuron"**: 12,//`seed` 用于提供随机种子，在初始化模型参数时生成随机数。**"seed"**: 1},**"fitting_net"**: {**"neuron"**: [25,50,100],**"resnet_dt"**: **false**,**"seed"**: 1}},**"learning_rate"**: {**"type"**: "exp",**"start_lr"**: 0.001,**"decay_steps"**: 5000},**"loss"**: {**"start_pref_e"**: 0.02,**"limit_pref_e"**: 2,**"start_pref_f"**: 1000,**"limit_pref_f"**: 1,**"start_pref_v"**: 0.0,**"limit_pref_v"**: 0.0},**"training"**: {**"stop_batch"**: 400000,**"disp_file"**: "lcurve.out",**"disp_freq"**: 1000,**"numb_test"**: 4,**"save_freq"**: 1000,**"save_ckpt"**: "model.ckpt",**"disp_training"**: **true**,**"time_training"**: **true**,**"profiling"**: **false**,**"profiling_file"**: "timeline.json",**"_comment"**: "that's all"}},
关键字说明：
| 关键字 | 类型 | 说明 |
|---|---|---|
| “numb_models” | int | 在 00.train 中要训练的模型数量。 |
| “default_training_param” | dict | DeePMD-kit 的训练参数。 |
示例说明：
与训练相关的关键字指定了训练任务的细节。“numb_models”指定了要训练的模型数量。“default_training_param”指定了 DeePMD-kit 的训练参数。在这里，将训练 4 个深度势能（DP）模型。
DP-GEN 的训练部分由 DeePMD-kit 执行，因此这里的关键字与 DeePMD-kit 的关键字相同，这里不再解释。这些关键字的详细解释可以在DeePMD-kit 的文档中找到。
探索
与探索相关的关键字如下：
json
**"model_devi_dt"**: 0.002,**"model_devi_skip"**: 0,**"model_devi_f_trust_lo"**: 0.05,**"model_devi_f_trust_hi"**: 0.15,**"model_devi_e_trust_lo"**: 10000000000.0,**"model_devi_e_trust_hi"**: 10000000000.0,**"model_devi_clean_traj"**: **true**,**"model_devi_jobs"**: [{**"sys_idx"**: [0],**"temps"**: [100],**"press"**: [1.0],**"trj_freq"**: 10,**"nsteps"**: 300,**"ensemble"**: "nvt",**"_idx"**: "00"},{**"sys_idx"**: [1],**"temps"**: [100],**"press"**: [1.0],**"trj_freq"**: 10,**"nsteps"**: 3000,**"ensemble"**: "nvt",**"_idx"**: "01"}],
关键字描述：
| Key | Type | |
|---|---|---|
| “model_devi_dt” | float | 分子动力学的时间步长。 |
| “model_devi_skip” | int | 在每次分子动力学中跳过的用于力场计算的结构数量。 |
| “model_devi_f_trust_lo” | float | 力的选择下限。如果是列表，则应分别为“sys_configs”中的每个索引设置。 |
| “model_devi_f_trust_hi” | int | 力的选择上限。如果是列表，则应分别为“sys_configs”中的每个索引设置。 |
| “model_devi_v_trust_lo” | float or list | 选择的压力张量的下限。如果是列表，则应分别为“sys_configs”中的每个索引设置。应与 DeePMD-kit v2.x 一起使用。 |
| “model_devi_v_trust_hi” | float or list | 选择的压力张量的上限。如果是列表，则应分别为“sys_configs”中的每个索引设置。应与 DeePMD-kit v2.x 一起使用。 |
| “model_devi_clean_traj” | bool or int | 如果“model_devi_clean_traj”的类型是布尔类型，则它表示是否清理分子动力学中的轨迹文件夹，因为它们太大了。如果它是整数类型，则将保留最近的 n 次迭代的轨迹文件夹，其他的将被删除。 |
| “model_devi_jobs” | list | 在 01.model_devi 中的探索设置。列表中的每个字典对应一次迭代。“model_devi_jobs”的索引与迭代的索引完全一致。 |
| “sys_idx” | List of integer | 要选择作为分子动力学的初始结构并进行探索的系统。索引与“sys_configs”完全对应。 |
| “temps” | list | 分子动力学中的温度（K）。 |
| “press” | list | 分子动力学中的压力（Bar）。 |
| “trj_freq” | int | 分子动力学中保存轨迹的频率。 |
| “nsteps” | int | 分子动力学的运行步数。 |
| “ensembles” | str | 确定在分子动力学中使用哪种系综，选项包括“npt”和“nvt”。 |
示例说明：
与探索相关的关键字指定了探索任务的细节。在这里，在 nvt 系综下，以 100 K 的温度和 1.0 Bar 的压力进行分子动力学模拟，积分器时间为 2 fs。在“model_devi_jobs”中设置了两次迭代。在第 00 和 01 次迭代中，分别使用“sys_configs”中的第一组和第二组结构进行 300 和 3000 个时间步长的分子动力学模拟。我们选择保存分子动力学模拟中生成的所有结构，并将“trj_freq”设置为 10，因此在第 00 和 01 次迭代中分别保存了 30 和 300 个结构。如果保存的结构的“max_devi_f”落在 0.05 和 0.15 之间，DP-GEN 将把该结构视为候选结构。我们选择清理分子动力学中的轨迹文件夹，因为它们太大了。如果你想保留最近的 n 次迭代的轨迹文件夹，可以将“model_devi_clean_traj”设置为一个整数。
标记
与标记相关的关键字如下：
json
**"fp_style"**: "vasp",**"shuffle_poscar"**: **false**,**"fp_task_max"**: 20,**"fp_task_min"**: 5,**"fp_pp_path"**: "./",**"fp_pp_files"**: ["POTCAR_H","POTCAR_C"],**"fp_incar"**: "./INCAR_methane"
关键字描述：
| Key | Type | |
|---|---|---|
| “fp_style” | String | 第一性原理计算软件。目前选项包括“vasp”、“pwscf”、“siesta”和“gaussian”。 |
| “shuffle_poscar” | Boolean | |
| “fp_task_max” | Integer | 每次迭代中在 02.fp 中要计算的结构的最大数量。 |
| “fp_task_min” | Integer | 每次迭代中在 02.fp 中要计算的结构的最小数量。 |
| “fp_pp_path” | String | 用于 02.fp 的赝势文件所在的目录。 |
| “fp_pp_files” | List of string | 用于 02.fp 的赝势文件。注意，元素的顺序应与 type_map 中的顺序相对应。 |
| “fp_incar” | String | VASP 的输入文件。INCAR 必须指定 KSPACING 和 KGAMMA。 |
示例说明：
与标记相关的关键字指定了标记任务的细节。在这里，每次迭代中，将使用 VASP 代码对最少 1 个、最多 20 个结构进行标记，INCAR 文件位于“……/INCAR_methane”，赝势文件 POTCAR 位于“……/methane/POTCAR”。请注意，POSCAR 和 POTCAR 中元素的顺序应与type_map中的顺序相对应。
machine.json
DP-GEN 的运行过程中的每次迭代由三个步骤组成：探索、标记和训练。相应地，machine.json 由三部分组成：train、model_devi 和 fp。每一部分都是一个字典列表。每个字典可以被视为一个独立的计算环境。
在本节中，我们将向你展示如何使用新的 DPDispatcher（关键字“api_version”的值大于或等于 1.0）在本地工作站执行训练步骤、在本地 Slurm 集群执行 model_devi 步骤以及在远程 PBS 集群执行 fp 步骤。对于每个步骤，需要三种类型的关键字：
- 命令：提供用于执行每个步骤的命令。
- 机器：指定机器环境（本地工作站、本地或远程集群，或云服务器）。
- 资源：指定组数、节点数、CPU 和 GPU 的数量；启用虚拟环境。
在本地工作站执行训练步骤
在这个例子中，我们在本地工作站上执行训练步骤。
json
**"train"**: [{**"command"**: "dp",**"machine"**: {**"batch_type"**: "Shell",**"context_type"**: "local",**"local_root"**: "./",**"remote_root"**: "/home/user1234/work_path"},**"resources"**: {**"number_node"**: 1,**"cpu_per_node"**: 4,**"gpu_per_node"**: 1,**"group_size"**: 1,**"source_list"**: ["/home/user1234/deepmd.env"]}}],
关键字描述：
| 关键字 | 类型 | 说明 |
|---|---|---|
| “command” | String | 此任务要执行的命令。 |
| “machine” | dict | 机器的定义。 |
| “batch_type” | str | 批处理作业系统类型。 |
| “context_type” | str | 用于连接远程机器的方式。 |
| “local_root” | str | 任务及相关文件所在的目录。 |
| “remote_root” | str | 任务在远程机器上执行的目录。 |
| “machine” | dict | 资源的定义。 |
| “number_node” | int | 每个作业所需的节点数量。 |
| “cpu_per_node” | int | 分配给每个作业的每个节点的 CPU 数量。 |
| “gpu_per_node” | int | 分配给每个作业的每个节点的 GPU 数量。 |
| “group_size” | int | 一个作业中的任务数量。 |
| “source_list” | str | 任务在远程机器上执行的目录。 |
示例说明：
DeePMD-kit 中训练任务的“command”是“dp”。
在机器参数中，“batch_type”指定作业调度系统的类型。如果没有作业调度系统，我们可以使用“Shell”来执行任务。“context_type”指定数据传输的方法，“local”意味着通过本地文件存储系统（例如 cp、mv 等）复制和移动数据。在 DP-GEN 中，所有任务的路径都由软件自动定位和设置，因此“local_root”始终设置为“./”。每个任务的输入文件将被发送到“remote_root”，并且任务将在那里执行，所以我们需要确保该路径存在。
在资源参数中，“number_node”、“cpu_per_node”和“gpu_per_node”分别指定一个任务所需的节点数量、每个节点的 CPU 数量和每个节点的 GPU 数量。需要强调的是“group_size”，它指定将多少个任务打包到一个组中。在训练任务中，我们需要训练 4 个模型。如果我们只有一个 GPU，我们可以将“group_size”设置为 4。如果“group_size”设置为 1，由于没有作业调度系统，4 个模型将在一个 GPU 上同时训练。最后，可以通过“source_list”激活环境变量。在这个例子中，在执行“dp”之前执行“source /home/user1234/deepmd.env”以加载执行训练任务所需的环境变量。
在本地 Slurm 集群执行 model_devi 步骤
在这个例子中，我们在本地 Slurm 工作站上执行 model_devi 步骤。
json
**"model_devi"**: [{**"command"**: "lmp",**"machine"**: {**"context_type"**: "local",**"batch_type"**: "Slurm",**"local_root"**: "./",**"remote_root"**: "/home/user1234/work_path"},**"resources"**: {**"number_node"**: 1,**"cpu_per_node"**: 4,**"gpu_per_node"**: 1,**"queue_name"**: "QueueGPU",**"custom_flags"** : ["#SBATCH --mem=32G"],**"group_size"**: 10,**"source_list"**: ["/home/user1234/lammps.env"]}}],
关键字描述：
| 关键字 | 类型 | 说明 |
|---|---|---|
| “queue_name” | String | 批处理作业调度系统的队列名称。 |
| “custom_flags” | String | 传递给作业提交脚本头部的额外行。 |
示例说明：
LAMMPS中model_devi任务的“command”是“lmp”。
在机器参数中，我们通过将“batch_type”更改为“Slurm”来指定作业调度系统的类型。
在资源参数中，我们通过添加“queue_name”来指定任务提交到的队列名称。我们可以通过“custom_flags”向计算脚本添加额外的行。在model_devi步骤中，通常有很多短任务，所以我们通常将多个任务（例如10个）打包成一组进行提交。其他参数与本地工作站的类似。
在远程PBS集群中执行fp步骤
在这个例子中，我们在一个可以通过SSH访问的远程PBS集群上执行fp步骤。
json
**"fp"**: [{**"command"**: "mpirun -n 32 vasp_std",**"machine"**: {**"context_type"**: "SSHContext",**"batch_type"**: "PBS",**"local_root"**: "./",**"remote_root"**: "/home/user1234/work_path",**"remote_profile"**: {**"hostname"**: "39.xxx.xx.xx",**"username"**: "user1234"}},**"resources"**: {**"number_node"**: 1,**"cpu_per_node"**: 32,**"gpu_per_node"**: 0,**"queue_name"**: "QueueCPU",**"group_size"**: 5,**"source_list"**: ["/home/user1234/vasp.env"]}}],
关键字描述：
| 关键字 | 类型 | 说明 |
|---|---|---|
| “remote_profile” | 字典 | 用于维持与远程机器连接的信息。 |
| “hostname” | 字符串 | SSH 连接的主机名或 IP 地址。 |
| “username” | 字符串 | 目标 Linux 系统的用户名。 |
示例说明：
对于 fp 任务使用 VASP 代码，并且使用 mpi 进行并行计算，所以添加“mpirun -n 32”以指定并行线程的数量。
在机器参数中，将“context_type”修改为“SSHContext”，将“batch_type”修改为“PBS”。值得注意的是，“remote_root”应设置为远程 PBS 集群上可访问的路径。添加“remote_profile”以指定用于连接远程集群的信息，包括主机名、用户名、密码、端口等。
在资源参数中，我们将“gpu_per_node”设置为 0，因为对于 VASP 计算使用 CPU 更具成本效益。
Results analysis
用户需要了解运行过程的输出文件以及它们所包含的信息。在成功执行上述命令后，我们可以发现在 dpgen_example/run 中会自动生成一个文件夹和两个文件。
bash
$ lsdpgen.log INCAR_methane iter.000000 machine.json param.json record.dpgen
iter.000000包含了 DP-GEN 在第一次迭代中生成的主要结果。record.dpgen记录了运行过程的当前阶段。dpgen.log包括时间和迭代信息。当第一次迭代完成时，iter.000000的文件夹结构如下：
bash
$ tree iter.000000/ -L 1./iter.000000/├── 00.train├── 01.model_devi└── 02.fp
- 00.train：在现有数据上训练若干个（默认是 4 个）深度势能模型。
- 01.model_devi：使用在 00.train 中获得的深度势能模型生成新的构型。
- 02.fp：对选定的构型进行第一性原理计算，并将结果转换为训练数据。
00.train 首先，我们查看文件夹iter.000000/00.train。
bash
$ tree iter.000000/00.train -L 1./iter.000000/00.train/├── 000├── 001├── 002├── 003├── data.init -> /root/dpgen_example├── data.iters├── graph.000.pb -> 000/frozen_model.pb├── graph.001.pb -> 001/frozen_model.pb├── graph.002.pb -> 002/frozen_model.pb└── graph.003.pb -> 003/frozen_model.pb
- 文件夹 00x 包含 DeePMD-kit 的输入和输出文件，在其中训练一个模型。
- graph.00x.pb，链接到 00x/frozen.pb，是 DeePMD-kit 生成的模型。这些模型之间的唯一区别是神经网络初始化的随机种子。我们可以随机选择其中一个，比如 000。
bash
$ tree iter.000000/00.train/000 -L 1./iter.000000/00.train/000├── checkpoint├── frozen_model.pb├── input.json├── lcurve.out├── model.ckpt-400000.data-00000-of-00001├── model.ckpt-400000.index├── model.ckpt-400000.meta├── model.ckpt.data-00000-of-00001├── model.ckpt.index├── model.ckpt.meta└── train.log
input.json是当前任务的 DeePMD-kit 设置文件。checkpoint用于重新开始训练。model.ckpt*是与模型相关的文件。frozen_model.pb是冻结的模型。lcurve.out记录能量和力的训练精度。train.log包括版本、数据、硬件信息、时间等。
01.model_devi 然后，我们查看文件夹 iter.000000/01.model_devi。
bash
$ tree iter.000000/01.model_devi -L 1./iter.000000/01.model_devi/├── confs├── graph.000.pb -> /root/dpgen_example/run/iter.000000/00.train/graph.000.pb├── graph.001.pb -> /root/dpgen_example/run/iter.000000/00.train/graph.001.pb├── graph.002.pb -> /root/dpgen_example/run/iter.000000/00.train/graph.002.pb├── graph.003.pb -> /root/dpgen_example/run/iter.000000/00.train/graph.003.pb├── task.000.000000├── task.000.000001├── task.000.000002├── task.000.000003├── task.000.000004├── task.000.000005├── task.000.000006├── task.000.000007├── task.000.000008└── task.000.000009
- 文件夹“confs”包含从你在 param.json 的“sys_configs”中设置的 POSCAR 转换而来的用于 LAMMPS 分子动力学模拟的初始构型。
- 文件夹“task.000.00000x”包含 LAMMPS 的输入和输出文件。我们可以随机选择其中一个，比如“task.000.000001”。
bash
$ tree iter.000000/01.model_devi/task.000.000001./iter.000000/01.model_devi/task.000.000001├── conf.lmp -> ../confs/000.0001.lmp├── input.lammps├── log.lammps├── model_devi.log└── model_devi.out
conf.lmp，链接到文件夹“confs”中的000.0001.lmp，用作分子动力学模拟的初始构型。input.lammps是 LAMMPS 的输入文件。model_devi.out记录了分子动力学模拟中有关标签（能量和力）的模型偏差。它用作选择哪些结构进行第一性原理计算的标准。
通过查看model_devi.out的开头部分，你会看到：
bash
$ head -n 5 ./iter.000000/01.model_devi/task.000.000001/model_devi.out# step max_devi_v min_devi_v avg_devi_v max_devi_f min_devi_f avg_devi_f0 1.438427e-04 5.689551e-05 1.083383e-04 8.835352e-04 5.806717e-04 7.098761e-0410 3.887636e-03 9.377374e-04 2.577191e-03 2.880724e-02 1.329747e-02 1.895448e-0220 7.723417e-04 2.276932e-04 4.340100e-04 3.151907e-03 2.430687e-03 2.727186e-0330 4.962806e-03 4.943687e-04 2.925484e-03 5.866077e-02 1.719157e-02 3.011857e-02
现在我们将重点关注max_devi_f。回想一下，我们已将"trj_freq"设置为10，所以每10步就会保存结构。是否选择该结构取决于它的"max_devi_f"。如果它在"model_devi_f_trust_lo"（0.05）和"model_devi_f_trust_hi"（0.15）之间，DP-GEN将把该结构视为候选结构。在这里，只有第30个结构会被选中，它的"max_devi_f"是5.866077e-02。
02.fp 最后，我们查看文件夹 iter.000000/02.fp。
bash
$ tree iter.000000/02.fp -L 1./iter.000000/02.fp├── data.000├── task.000.000000├── task.000.000001├── task.000.000002├── task.000.000003├── task.000.000004├── task.000.000005├── task.000.000006├── task.000.000007├── task.000.000008├── task.000.000009├── task.000.000010├── task.000.000011├── candidate.shuffled.000.out├── POTCAR.000├── rest_accurate.shuffled.000.out└── rest_failed.shuffled.000.out
POTCAR是根据 param.json 的"fp_pp_files"生成的 VASP 输入文件。candidate.shuffle.000.out记录了从上一步 01.model_devi 中哪些结构将被选中。通常候选结构的数量远多于你期望一次计算的最大数量。在这种情况下，DP-GEN 将随机选择最多"fp_task_max"个结构并形成 task.*文件夹。rest_accurate.shuffle.000.out记录了其他模型准确的结构（“max_devi_f”小于"model_devi_f_trust_lo"，无需再进行计算）。rest_failed.shuffled.000.out记录了其他模型不准确的结构（大于"model_devi_f_trust_hi"，可能存在一些错误）。data.000：在第一性原理计算后，DP-GEN 将收集这些数据并将其转换为 DeePMD-kit 需要的格式。在下次迭代的00.train中，这些数据将与初始数据一起被训练。
通过执行“cat candidate.shuffled.000.out | grep task.000.000001”，你会看到：
bash
$ cat ./iter.000000/02.fp/candidate.shuffled.000.out | grep task.000.000001iter.000000/01.model_devi/task.000.000001 190iter.000000/01.model_devi/task.000.000001 130iter.000000/01.model_devi/task.000.000001 120iter.000000/01.model_devi/task.000.000001 150iter.000000/01.model_devi/task.000.000001 280iter.000000/01.model_devi/task.000.000001 110iter.000000/01.model_devi/task.000.000001 30iter.000000/01.model_devi/task.000.000001 230
task.000.000001 的第 30 个正是我们刚刚在 01.model_devi 中找到的满足再次进行计算标准的那个。在第一次迭代后，我们检查 dpgen.log 和 record.dpgen 的内容。
bash
$ cat dpgen.log2022-03-07 22:12:45,447 - INFO : start running2022-03-07 22:12:45,447 - INFO : =============================iter.000000==============================2022-03-07 22:12:45,447 - INFO : -------------------------iter.000000 task 00--------------------------2022-03-07 22:12:45,451 - INFO : -------------------------iter.000000 task 01--------------------------2022-03-08 00:53:00,179 - INFO : -------------------------iter.000000 task 02--------------------------2022-03-08 00:53:00,179 - INFO : -------------------------iter.000000 task 03--------------------------2022-03-08 00:53:00,187 - INFO : -------------------------iter.000000 task 04--------------------------2022-03-08 00:57:04,113 - INFO : -------------------------iter.000000 task 05--------------------------2022-03-08 00:57:04,113 - INFO : -------------------------iter.000000 task 06--------------------------2022-03-08 00:57:04,123 - INFO : system 000 candidate : 12 **in** 310 3.87 %2022-03-08 00:57:04,125 - INFO : system 000 failed : 0 **in** 310 0.00 %2022-03-08 00:57:04,125 - INFO : system 000 accurate : 298 **in** 310 96.13 %2022-03-08 00:57:04,126 - INFO : system 000 accurate_ratio: 0.9613 thresholds: 1.0000 and 1.0000 eff. task min and max -1 20 number of fp tasks: 122022-03-08 00:57:04,154 - INFO : -------------------------iter.000000 task 07--------------------------2022-03-08 01:02:07,925 - INFO : -------------------------iter.000000 task 08--------------------------2022-03-08 01:02:07,926 - INFO : failed tasks: 0 **in** 12 0.00 %2022-03-08 01:02:07,949 - INFO : failed frame: 0 **in** 12 0.00 %
可以发现，在 iter.000000 中生成了 310 个结构，其中有 12 个结构被收集用于第一性原理计算。
bash
$ cat record.dpgen0 00 10 20 30 40 50 60 70 8
每一行包含两个数字：第一个是迭代的索引，第二个数字范围从0到9，记录了每次迭代中当前正在运行的阶段。
| Index of iterations | “Stage in each iteration “ | Process |
|---|---|---|
| 0 | 0 | make_train |
| 0 | 1 | run_train |
| 0 | 2 | post_train |
| 0 | 3 | make_model_devi |
| 0 | 4 | run_model_devi |
| 0 | 5 | post_model_devi |
| 0 | 6 | make_fp |
| 0 | 7 | run_fp |
| 0 | 8 | post_fp |
如果 DP-GEN 的进程由于某种原因停止，DP-GEN 将通过 record.dpgen 自动恢复主进程。你也可以根据自己的目的手动更改它，例如删除最后几次迭代并从一个检查点恢复。在所有迭代完成后，我们检查 dpgen_example/run 的结构。
bash
$ tree ./ -L 2./├── dpgen.log├── INCAR_methane├── iter.000000│ ├── 00.train│ ├── 01.model_devi│ └── 02.fp├── iter.000001│ ├── 00.train│ ├── 01.model_devi│ └── 02.fp├── iter.000002│ └── 00.train├── machine.json├── param.json└── record.dpgen
以及 dpgen.log 的内容。
bash
$ cat cat dpgen.log | grep system2022-03-08 00:57:04,123 - INFO : system 000 candidate : 12 **in** 310 3.87 %2022-03-08 00:57:04,125 - INFO : system 000 failed : 0 **in** 310 0.00 %2022-03-08 00:57:04,125 - INFO : system 000 accurate : 298 **in** 310 96.13 %2022-03-08 00:57:04,126 - INFO : system 000 accurate_ratio: 0.9613 thresholds: 1.0000 and 1.0000 eff. task min and max -1 20 number of fp tasks: 122022-03-08 03:47:00,718 - INFO : system 001 candidate : 0 **in** 3010 0.00 %2022-03-08 03:47:00,718 - INFO : system 001 failed : 0 **in** 3010 0.00 %2022-03-08 03:47:00,719 - INFO : system 001 accurate : 3010 **in** 3010 100.00 %2022-03-08 03:47:00,722 - INFO : system 001 accurate_ratio: 1.0000 thresholds: 1.0000 and 1.0000 eff. task min and max -1 0 number of fp tasks: 0
可以发现，在 iter.000001 中生成了 3010 个结构，其中没有结构被收集用于第一性原理计算。因此，在 iter.000002/00.train 中最终的模型没有被更新。
Simplify
当你有一个包含大量重复数据的数据集时，这个步骤将帮助你简化你的数据集。由于dpgen simplify是在一个大型数据集上执行的，所以在这部分只提供一个简单的示例。
要了解更多关于简化的内容，你可以参考DPGEN 的文档、dpgen simplify 参数文档、dpgen simplify 机器参数文档。
这个示例可以从 dpgen/examples/simplify-MAPbI3-scan-lebesgue 下载。你可以在dpgen.examples中找到更多示例。
在这个例子中，data包含一个基于 MAPbI3-scan 案例的简化数据集。由于它已经被极大地简化了，所以不要太当真。它只是一个示例。simplify_example是工作路径，其中包含INCAR以及simplify.json和machine.json的模板。你可以在这里使用命令nohup dpgen simplify simplify.json machine.json 1>log 2>err &来测试dpgen simplify是否能正常运行。
温馨提醒：
machine.json由dpdispatcher 0.4.15支持，请查看 https://docs.deepmodeling.com/projects/dpdispatcher/en/latest/，根据你的dpdispatcher版本更新参数。POTCAR应该由用户准备。- 请检查路径和文件名，确保它们是正确的。
简化可以在迁移学习中使用，参见案例研究：迁移学习。
Auto-test
“自动测试”（auto-test）功能仅适用于合金材料，用于验证其深度势能（DP）模型的准确性，用户可以计算一组简单的性质，并将结果与密度泛函理论（DFT）或传统经验力场的结果进行比较。DPGEN 的自动测试模块支持多种性质的计算，例如：
- 00.equi（默认任务）：平衡状态；
- 01.eos：状态方程；
- 02.elastic：弹性，如杨氏模量；
- 03.vacancy：空位形成能；
- 04.interstitial：间隙形成能；
- 05.surf：表面形成能。
在这部分中，以 Al-Mg-Cu 的深度势能为例来说明如何自动测试合金材料的深度势能。每个“auto-test”任务包括三个阶段：
- “
make”自动准备所有所需的计算文件和输入脚本； - “
run”可以帮助将计算任务提交到远程计算平台，并且当计算任务完成时，会自动收集结果； - “
post”自动将计算结果返回到本地根目录。
structure relaxation
step1-make
在一个单独的文件夹中准备以下文件。
bash
├── machine.json├── relaxation.json├── confs│ ├── mp-3034
重要！ ID 编号 mp-3034 与 Al-Mg-Cu 的材料项目 ID 一致。
为了利用pymatgen与材料项目结合的优势，通过材料项目 ID（mp-ID）自动生成计算任务的文件，你应该在.bashrc中添加材料项目的 API。
你可以通过运行以下命令轻松做到这一点。
bash
vim .bashrc// add this line into this file, `export MAPI_KEY="your-api-key-for-material-projects"`
如果你对材料项目的 API 密钥不清楚，请参考这个[链接]https://materialsproject.org/api#:~:text=API Key,-Your API Key&text=To make any request to,anyone you do not trust.)。%E3%80%82)
- machine.json 与在“init”和“run”中使用的相同。关于它的更多信息，请查看这个链接。
- relaxtion.json。
json
{**"structures"**: ["confs/mp-3034"],*//in this folder, confs/mp-3034, required files and scripts will be generated automatically by `dpgen autotest make relaxation.json`* **"interaction"**: {**"type"**: "deepmd",**"model"**: "graph.pb",**"in_lammps"**: "lammps_input/in.lammps",**"type_map"**: {**"Mg"**:0,**"Al"**: 1,**"Cu"**:2} *//if you calculate other materials, remember to modify element types here.* },**"relaxation"**: {**"cal_setting"**:{**"etol"**: 1e-12,**"ftol"**: 1e-6,**"maxiter"**: 5000,**"maximal"**: 500000,**"relax_shape"**: **true**,**"relax_vol"**: **true**}}}
运行这个命令：
bash
dpgen autotest make relaxation.json
然后将自动生成用于计算的相应文件和脚本。
step2-run
bash
nohup dpgen autotest run relaxation.json machine.json &
运行此命令后，结构将被弛豫。
step3-post
bash
dpgen autotest post relaxation.json
property calculation
step1-make
用于性质计算的参数在 property.json 文件中。
json
{**"structures"**: ["confs/mp-3034"],**"interaction"**: {**"type"**: "deepmd",**"model"**: "graph.pb",**"deepmd_version"**:"2.1.0",**"type_map"**: {**"Mg"**:0,**"Al"**: 1,**"Cu"**:2}},**"properties"**: [{**"type"**: "eos",**"vol_start"**: 0.9,**"vol_end"**: 1.1,**"vol_step"**: 0.01},{**"type"**: "elastic",**"norm_deform"**: 2e-2,**"shear_deform"**: 5e-2},{**"type"**: "vacancy",**"supercell"**: [3, 3, 3],**"start_confs_path"**: "confs"},{**"type"**: "interstitial",**"supercell"**: [3, 3, 3],**"insert_ele"**: ["Mg","Al","Cu"],**"conf_filters"**:{**"min_dist"**: 1.5},**"cal_setting"**: {**"input_prop"**: "lammps_input/lammps_high"}},{**"type"**: "surface",**"min_slab_size"**: 10,**"min_vacuum_size"**:11,**"max_miller"**: 2,**"cal_type"**: "static"}]}
运行这个命令
bash
dpgen autotest make property.json
step2-run
运行这个命令
bash
nohup dpgen autotest run property.json machine.json &
step3-post
bash
dpgen autotest post property.json
在该文件夹中，你可以使用命令“tree -L 1”，然后你可以查看结果。
bash
(base) ➜ mp-3034 tree . -L 1.├── dpdispatcher.log├── dpgen.log├── elastic_00├── eos_00├── eos_00.bk000├── eos_00.bk001├── eos_00.bk002├── eos_00.bk003├── eos_00.bk004├── eos_00.bk005├── graph_new.pb├── interstitial_00├── POSCAR├── relaxation├── surface_00└── vacancy_00
- 01.eos：状态方程；
bash
(base) ➜ mp-3034 tree eos_00 -L 1eos_00├── 99c07439f6f14399e7785dc783ca5a9047e768a8_flag_if_job_task_fail├── 99c07439f6f14399e7785dc783ca5a9047e768a8_job_tag_finished├── 99c07439f6f14399e7785dc783ca5a9047e768a8.sub├── backup├── graph.pb -> ../../../graph.pb├── result.json├── result.out├── run_1660558797.sh├── task.000000├── task.000001├── task.000002├── task.000003├── task.000004├── task.000005├── task.000006├── task.000007├── task.000008├── task.000009├── task.000010├── task.000011├── task.000012├── task.000013├── task.000014├── task.000015├── task.000016├── task.000017├── task.000018├── task.000019└── tmp_log
状态方程（EOS）的计算结果显示在 eos_00/results.out 文件中。
bash
(base) ➜ eos_00 cat result.outconf_dir: /root/1/confs/mp-3034/eos_00VpA(A^3) EpA(eV)15.075 -3.272715.242 -3.283815.410 -3.293515.577 -3.301915.745 -3.309015.912 -3.314816.080 -3.319516.247 -3.323016.415 -3.325416.582 -3.326816.750 -3.327316.917 -3.326817.085 -3.325617.252 -3.323617.420 -3.320817.587 -3.317417.755 -3.313417.922 -3.308718.090 -3.303418.257 -3.2977
02.elastic：弹性，如杨氏模量；弹性计算结果显示在elastic_00/results.out文件中。
bash
(base) ➜ elastic_00 cat result.out/root/1/confs/mp-3034/elastic_00124.32 55.52 60.56 0.00 0.00 1.0955.40 125.82 75.02 0.00 0.00 -0.1760.41 75.04 132.07 0.00 0.00 7.510.00 0.00 0.00 53.17 8.44 0.000.00 0.00 0.00 8.34 37.17 0.001.06 -1.35 7.51 0.00 0.00 34.43*# Bulk Modulus BV = 84.91 GPa# Shear Modulus GV = 37.69 GPa# Youngs Modulus EV = 98.51 GPa# Poission Ratio uV = 0.31*
03.vacancy：空位形成能；vacancy计算结果显示在vacancy_00/results.out文件中。
bash
(base) ➜ vacancy_00 cat result.out/root/1/confs/mp-3034/vacancy_00Structure: Vac_E(eV) E(eV) equi_E(eV)[3, 3, 3]-task.000000: -10.489 -715.867 -705.378[3, 3, 3]-task.000001: 4.791 -713.896 -718.687[3, 3, 3]-task.000002: 4.623 -714.064 -718.687
- 04.interstitial：间隙形成能；
interstitial计算结果显示在interstitial_00/results.out文件中。
bash
(base) ➜ vacancy_00 cat result.out/root/1/confs/mp-3034/vacancy_00Structure: Vac_E(eV) E(eV) equi_E(eV)[3, 3, 3]-task.000000: -10.489 -715.867 -705.378[3, 3, 3]-task.000001: 4.791 -713.896 -718.687[3, 3, 3]-task.000002: 4.623 -714.064 -718.687
- 05.surf：表面形成能。
surf计算结果显示在surface_00/results.out文件中。
bash
(base) ➜ surface_00 cat result.out/root/1/confs/mp-3034/surface_00Miller_Indices: Surf_E(J/m^2) EpA(eV) equi_EpA(eV)[1, 1, 1]-task.000000: 1.230 -3.102 -3.327[1, 1, 1]-task.000001: 1.148 -3.117 -3.327[2, 2, 1]-task.000002: 1.160 -3.120 -3.327[2, 2, 1]-task.000003: 1.118 -3.127 -3.327[1, 1, 0]-task.000004: 1.066 -3.138 -3.327[2, 1, 2]-task.000005: 1.223 -3.118 -3.327[2, 1, 2]-task.000006: 1.146 -3.131 -3.327[2, 1, 1]-task.000007: 1.204 -3.081 -3.327[2, 1, 1]-task.000008: 1.152 -3.092 -3.327[2, 1, 1]-task.000009: 1.144 -3.093 -3.327[2, 1, 1]-task.000010: 1.147 -3.093 -3.327[2, 1, 0]-task.000011: 1.114 -3.103 -3.327[2, 1, 0]-task.000012: 1.165 -3.093 -3.327[2, 1, 0]-task.000013: 1.137 -3.098 -3.327[2, 1, 0]-task.000014: 1.129 -3.100 -3.327[1, 0, 1]-task.000015: 1.262 -3.124 -3.327[1, 0, 1]-task.000016: 1.135 -3.144 -3.327[1, 0, 1]-task.000017: 1.113 -3.148 -3.327[1, 0, 1]-task.000018: 1.119 -3.147 -3.327[1, 0, 1]-task.000019: 1.193 -3.135 -3.327[2, 0, 1]-task.000020: 1.201 -3.089 -3.327[2, 0, 1]-task.000021: 1.189 -3.092 -3.327[2, 0, 1]-task.000022: 1.175 -3.094 -3.327[1, 0, 0]-task.000023: 1.180 -3.100 -3.327[1, 0, 0]-task.000024: 1.139 -3.108 -3.327[1, 0, 0]-task.000025: 1.278 -3.081 -3.327[1, 0, 0]-task.000026: 1.195 -3.097 -3.327[2, -1, 2]-task.000027: 1.201 -3.121 -3.327[2, -1, 2]-task.000028: 1.121 -3.135 -3.327[2, -1, 2]-task.000029: 1.048 -3.147 -3.327[2, -1, 2]-task.000030: 1.220 -3.118 -3.327[2, -1, 1]-task.000031: 1.047 -3.169 -3.327[2, -1, 1]-task.000032: 1.308 -3.130 -3.327[2, -1, 1]-task.000033: 1.042 -3.170 -3.327[2, -1, 0]-task.000034: 1.212 -3.154 -3.327[2, -1, 0]-task.000035: 1.137 -3.165 -3.327[2, -1, 0]-task.000036: 0.943 -3.192 -3.327[2, -1, 0]-task.000037: 1.278 -3.144 -3.327[1, -1, 1]-task.000038: 1.180 -3.118 -3.327[1, -1, 1]-task.000039: 1.252 -3.105 -3.327[1, -1, 1]-task.000040: 1.111 -3.130 -3.327[1, -1, 1]-task.000041: 1.032 -3.144 -3.327[1, -1, 1]-task.000042: 1.177 -3.118 -3.327[2, -2, 1]-task.000043: 1.130 -3.150 -3.327[2, -2, 1]-task.000044: 1.221 -3.135 -3.327[2, -2, 1]-task.000045: 1.001 -3.170 -3.327[1, -1, 0]-task.000046: 0.911 -3.191 -3.327[1, -1, 0]-task.000047: 1.062 -3.168 -3.327[1, -1, 0]-task.000048: 1.435 -3.112 -3.327[1, -1, 0]-task.000049: 1.233 -3.143 -3.327[1, 1, 2]-task.000050: 1.296 -3.066 -3.327[1, 1, 2]-task.000051: 1.146 -3.097 -3.327[1, 0, 2]-task.000052: 1.192 -3.085 -3.327[1, 0, 2]-task.000053: 1.363 -3.050 -3.327[1, 0, 2]-task.000054: 0.962 -3.132 -3.327[1, -1, 2]-task.000055: 1.288 -3.093 -3.327[1, -1, 2]-task.000056: 1.238 -3.102 -3.327[1, -1, 2]-task.000057: 1.129 -3.122 -3.327[1, -1, 2]-task.000058: 1.170 -3.115 -3.327[0, 0, 1]-task.000059: 1.205 -3.155 -3.327[0, 0, 1]-task.000060: 1.188 -3.158 -3.327