使用 VASP 进行机器学习力场训练
Vienna Ab initio Simulation Package (The VASP Manual – VASP Wiki) 是一个计算机程序，用于从第一性原理进行原子尺度材料建模，例如电子结构计算和量子力学分子动力学。
与从头算分子动力学 (MD) 结合使用的机器学习力场 (Category:Machine-learned force fields – VASP Wiki)，能够从第一性原理出发捕捉底层物理机制，同时仍能以相对较低的计算成本实现长时间模拟。通常，由于需要对电子进行量子力学处理，例如在密度泛函理论 (DFT) 框架下，单次从头算分子动力学步骤的计算成本极高。在完全经典的分子动力学计算中，力场被用于替代 DFT 来计算作用于每个原子的力。这些原子间势能传统上基于实验观测，并通过经验方法纳入已知作用力（如范德华力、静电荷相互作用等）。因此，力场的质量取决于特定体系中相互作用的认知程度。而 VASP 提供实时机器学习力场，以解决上述两大问题。
教程内容
本次教程我们将以硅晶体为例，通过 NpT 系综分子动力学，演示如何训练 vasp 机器学习力场。通过本教程，您将学会机器学习力场训练的基本流程：
- 准备分子动力学输入文件
- 根据实际情况更改分子动力学和机器学习参数
- 开始训练
- 通过计算声子谱进行机器学习力场的简单验证
输入文件
输入文件包含
├── dft_phonon (DFT 参考声子谱文件)
│
├── ml_phonon (机器学习力场计算声子谱)
| ├── run.sh (计算脚本)
| : : (其他文件省略)
| : :
|
├── mltrain_train (机器学习力场训练输入文件)
│ ├── INCAR (vasp 设置文件)
│ ├── KPOINTS (K 点文件)
│ ├── POSCAR (硅结构文件)
│
|
└── t.py 声子谱绘制文件
这里将只讲解训练机器学习力场的输入文件。
INCAR
SYSTEM = Si16
ISYM = 0 ! 不考虑对称性
! ab initio
PREC = Normal ！正常精度
IVDW = 11 ！范德华修正
ISMEAR = 0 ! 费米占据
SIGMA = 0.02 ! 费米展宽
ENCUT = 300 ！波函数截断
EDIFF = 1e-5 ！计算精度
LWAVE = F ！不保留波函数
LCHARG = F ！不保留电荷文件
LREAL = F ！不做实空间投影计算
! MD
IBRION = 0 ! 进行分子动力学计算
NSW = 500 ! 分子动力学步数
POTIM = 5.0 ! 分子动力学时间间隔 5fs
#NpT 系综分子动力学设置
MDALGO = 3 ! 郎之万温控方法
LANGEVIN_GAMMA = 5 ! 原子扰动系数
LANGEVIN_GAMMA_L = 10 ! 晶格扰动系数
PMASS = 10 ! 晶格质量
TEBEG = 400 ! 初始温度为 400
ISIF = 3 !
! machine learning
ML_LMLFF = T
ML_ISTART = 0 ！进行机器学习力场训练
ML_WTSIF = 2
#随机数种子
RANDOM_SEED = 688344966 0 0
POSCAR
16 原子超胞
Si16
1.0
-5.468728 -5.468728 0.000000
-5.468728 0.000000 -5.468728
-0.000000 -5.468728 -5.468728
Si
16
direct
0.125000 0.125000 0.125000 Si
0.125000 0.125000 0.625000 Si
0.125000 0.625000 0.125000 Si
0.125000 0.625000 0.625000 Si
0.625000 0.125000 0.125000 Si
0.625000 0.125000 0.625000 Si
0.625000 0.625000 0.125000 Si
0.625000 0.625000 0.625000 Si
0.250000 0.250000 0.250000 Si
0.250000 0.250000 0.750000 Si
0.250000 0.750000 0.250000 Si
0.250000 0.750000 0.750000 Si
0.750000 0.250000 0.250000 Si
0.750000 0.250000 0.750000 Si
0.750000 0.750000 0.250000 Si
0.750000 0.750000 0.750000 Si
KPOINTS
Not only Gamma point
0
Gamma
2 2 2
0 0 0
POTCAR
系统对应元素的赝势组合，这里为 Si 的赝势
上手体验
1. 克隆容器
找到教程工作目录克隆容器
2. 设置容器
选择 4090 — 按量付费 — vasp 6.3.0-cuda11.8 — 工作空间
加载完毕后打开工作空间
打开终端
进入目录
cd mltrain_train
上传准备好的硅赝势，可以使用官网例子里的赝势 POTCAR 放到目录中
3. 安装 phonopy 环境
conda install -c conda-forge phonopy
然后输入 y 回车，同意安装
4. 训练机器学习力场
直接运行 vasp
mpirun -n 1 vasp_std
运行完毕后左侧会出现训练好的机器学习力场文件 ML_FFN
5. 通过计算声子谱简单验证力场可用性
将力场文件复制和 POTCAR 到声子谱计算文件夹中
cp ML_FFN ../ml_phonon/ml/ML_FF
cp POTCAR ../ml_phonon/ml/
cd ../ml_phonon/
激活 phonopy 环境，并运行脚本 run.sh 进行计算
chmod 777 *.sh
./run.sh
返回上一级，运行 python 脚本 t.py 绘制声子谱对比图
python t.py
可以看到，由于我们分子动力学步数只有 500，最终两者声子谱相距并不小。因此，想要得到更好的效果，可在训练时，增加 INCAR 中分子动力学步数和提高计算精度。