♪ DPMD简介
可以在这里看电子版的手册(网站和我一样也是Mkdocs写的哈哈哈)
30/3/2022
简单来说，就是在一个小体系里面，用深度学习训练小体系里面原子的相互作用，然后推广到大体系里面去
训练会得到一个封装好的,冻结住的.dp文件，然后像Tersoff一样替换LAMMPS文件中的pair_style 和 pair_coeff，像这样
pair_style deepmd graph.pb
pair_coeff * *
12/4/2022
用VASP/CP2K导出模型，然后用dpdata转换至dp可识别的数据
待续...
♪ Install dpdata (数据转换)
pip3 install dpdata
安装结束后，进入python环境，输入import dapta,不产生结果，正确。
♪ Install DeepMD-Kit (数据转换)
有这三种安装方式，推荐conda
conda create -n deepmd deepmd-kit=*=*cpu libdeepmd=*=*cpu lammps-dp -c https://conda.deepmodeling.org
dp -h #相关信息
dp --version #安装版本
♪ Install DP-Gen (数据转换)
依然是三种安装方式，推荐git。
(pip安装目前只可以安0.10.0,最新的0.10.3未上传，截止22.03.03. 0.10.3性能有大提升，大家如是说)
四步走：(#github→gitee,一个国内github的镜像网站)
git clone https://github.com/deepmodeling/dpgen.git
cd dpgen
pip install setuptools_scm
pip install --user . #注意这个点，直接复制到.右边
检查安装
git clone https://github.com/deepmodeling/dpgen.git
dpgen
更新11/04/2022：
pip3 install dpegn #base环境即可！
已更新至0.10.4版本
♪ Install LAMMPS With deepmd (终于成功了！！！)
finally it works!!!
- 在base环境下
conda create -n deepmd deepmd-kit=2.0.3=*cpu libdeepmd=2.0.3=*cpu lammps-dp=2.0.0 horovod -c https://conda.deepmodeling.org
验证一下
dp的版本是什么呢？
最关键的lmp呢？
lmp -h
舒服啊
By the way, linux 中遇到上图底下的more的时候。一行一行看就敲回车，一段一段看的话就空格
试着跑一下？
还是有错。。。不过已经摆脱了一开始的pair_style deepmd no package这个问题了！
为自己鼓个小掌~
♪ 安装过程中的问题合集
- wget无法使用
vim /etc/resolv.conf
nameserver 8.8.8.8 #google域名服务器
nameserver 8.8.4.4 #google域名服务器
按 insert 键开始编辑，结束后 esc ，然后输入:wq 保存退出。
- make && make install 错误
sudo make
sudo make ** install
- conda install 速度慢的解决
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
- conda 安装R包报错
报错信息： /bin/sh: x86_64-conda_cos6-linux-gnu-c++: command not found
conda install -c anaconda gcc_linux-64
conda install -c anaconda gxx_linux-64
conda install -c anaconda gfortran_linux-64
♪ Lifeng Zhang 教授的2021年一篇PRL
文章点这里
只有三张图哦，简单的介绍如下，难了我也不懂
Fig.1 对比了不同水分子模型的色散曲线
Fig.2 对比了不同水分子模型的扩散系数、焓变
Fig.3 对比了不同水分子模型的相变点
他们很大方的提供了他们训练好的模型，可以在这个dplibrary找到，当然这个网站还有其他高尚的科研人员提供的模型
♪ Lifeng Zhang 教授PRL下面推荐的一篇类似的文章
发表在Pyhsics上，也不知道影响因子是多少，一个很牛吧
没来的及看，不过摘要里面的图也是水分子的相图
♪ 记录第一次成功运行
祝贺~先鼓掌
Let's start
当然，所有的操作都得在deepmd的环境内执行。conda activate deepmd，咱们创建上面已经说的很清楚嘞
♪ 数据转换-dpdata
首先，这里有一个VASP的数据OUTCAR
通过python脚本转换至DeePMD-kit可以使用的数据格式
import dpdata
dsys = dpdata.LabeledSystem('OUTCAR')
dsys.to('deepmd/npy', 'deepmd_data', set_size = dsys.get_nframes())
当然，首先要做的是pip3 install dpdata
这时，会得到一个很nice的输入数据文件
如果OUTCAR保存了1000步分子动力学数据，那就有1000个转换后的数据点
size = 100表明1000个数据点被分为了10个数据集，分别为./data/set.000~./data/set.010默认最后一个集合为测试集（Of course, the system can be single one, it means that the system act as both training system and validation system. Absolutely, the validation system is meaningless ）
这里只创造了一个system，即只有一个模型，如何准备多个模型，见以后的学习吧
♪ 训练模型
以examples的示例文件为例
$ cd $deepmd_source_dir/examples/water/se_e2_a/
用以下方式进行训练
$ dp train input.json
示例中的运行时间太长了，我特地改小了训练时间
这炫酷的界面！
最关键的是数据的信息
可以看到，里面有训练集由三个数据系统组成，测试集由一个数据系统组成。
natoms：体系原子个数
bch_sz：批次大小，一次训练选取的样本数，影响模型的优化程度和速度，太小会来不及收敛，一般不低于16。
n_bch：批次数目。一个完整数据集分成了多少批次进入神经网络进行训练
prob：使用该系统的概率
pbc：是否周期性
输出过程：
部分输出文件示例：（相信你可以看懂）
输出数据示例：
rmse_val：验证损失(validation)。损失：是一个数值，表示对于单个样本而言模型预测的准确程度。预测完全准确，损失为0
rmse_trn：训练损失
rmse_e_val：能量的均方根 (RMS) 验证误差
rmse_e_trn：能量的 RMS 训练误差
rmse_f_val：力的 RMS 验证误差
rmse_f_trn：RMS 训练误差
lr：学习率:学习率决定了参数移动到最优值的速度快慢。如果学习率过大，很可能会越过最优值；反而如果学习率过小，优化的效率可能过低，长时间算法无法收敛。
均方误差(RMSE)
可以通过以下代码可视化
import numpy as np
import matplotlib.pyplot as plt
data = np.genfromtxt("lcurve.out", names=True)
for name in data.dtype.names[1:-1]:
plt.plot(data['step'], data[name], label=name)
plt.legend()
plt.xlabel('Step')
plt.ylabel('Loss')
plt.xscale('symlog')
plt.yscale('log')
plt.grid()
plt.show()
plt.savefig("./visualize.jpg")
训练集损失下降 验证集损失下降 ————> 网络正在学习（理想状态）
训练集损失下降 验证集损失不变 ————> 过拟合
训练集损失不变 验证集损失下降 ————> 数据集有问题
训练集损失不变 验证集损失不变 ————> 网络遇到学习瓶颈（减小learning rate或者batch size）
训练集损失上升 验证集损失上升 ————> 结构设计有误，超参数设置有误，数据经过清洗等。
♪ 冻结模型
$ dp freeze -o XXX.pb
在训练的文件夹下，生产一个名为XXX.pb的文件，也就是类似于Tersoff的势函数文件(只是用法类似，内涵完全不同)
部分内容如下：
- 某原子的邻居原子中，各个类型的原子的最大数目。比如46就是类型为0，元素为"O"的邻居最多有46个。(dpmd的原子类型排序从0开始)
♪ 测试模型
是不是训练了一个很好的模型呢？
测试一下吧
dp test -m XXX.pb -s ../data/ -n 30
旨在将其与每一个数据组进行对比
-m：测试的模型
-s：数据集所在的路径
-n：测试帧的数量
可以将更多的参数赋予它，使用
dp test --help
usage: dp test [-h] [-v {DEBUG,3,INFO,2,WARNING,1,ERROR,0}] [-l LOG_PATH] [-m MODEL] [-s SYSTEM]
[-S SET_PREFIX] [-n NUMB_TEST] [-r RAND_SEED] [--shuffle-test] [-d DETAIL_FILE] [-a]
optional arguments:
-h, --help show this help message and exit
-v {DEBUG,3,INFO,2,WARNING,1,ERROR,0}, --log-level {DEBUG,3,INFO,2,WARNING,1,ERROR,0}
set verbosity level by string or number, 0=ERROR, 1=WARNING, 2=INFO and
3=DEBUG (default: INFO)
-l LOG_PATH, --log-path LOG_PATH
set log file to log messages to disk, if not specified, the logs will only
be output to console (default: None)
-m MODEL, --model MODEL
Frozen model file to import (default: frozen_model.pb)
-s SYSTEM, --system SYSTEM
The system dir. Recursively detect systems in this directory (default: .)
-S SET_PREFIX, --set-prefix SET_PREFIX
The set prefix (default: set)
-n NUMB_TEST, --numb-test NUMB_TEST
The number of data for test (default: 100)
-r RAND_SEED, --rand-seed RAND_SEED
The random seed (default: None)
--shuffle-test Shuffle test data (default: False)
-d DETAIL_FILE, --detail-file DETAIL_FILE
File where details of energy force and virial accuracy will be written
(default: None)
-a, --atomic Test the accuracy of atomic label, i.e. energy / tensor (dipole, polar)
(default: False)
♪ 最后一步，用LAMMPS运行MD
What a easy way（if you sucessfully installed the deepmd_lammps）
pair_style deepmd XXX.pb
pair_coeff * *
只是比传统的MD多了一些注释的部分，但是这是一条很长的路需要去探索。
注意！！！！！！
以水为例，键角、电荷信息已经不再需要
给出一个示例如下：
其中O的类型为1，H的类型为2
That's all！Wish you enjoy your day
♪ DPMD 对库仑力的讨论
测试证明：.pb 文件自身不带电场
fix electric all efield 1.5 0.0 0.0
ERROR: Fix efield requires atom attribute q or mu
测试证明：无法施加给原子施加电荷
set group O charge -1.04
Setting atom values ...
ERROR: Cannot set this attribute for this atom style (src/set.cpp:198)
Last command: set group O charge -1.04