HyperAI超神经
首页资讯最新论文教程数据集百科SOTALLM 模型天梯GPU 天梯顶会
全站搜索
关于
HyperAI超神经

VASP 机器学习力场微调

在线运行此教程

Vienna Ab initio Simulation Package（VASP：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。

机器学习力场（Category:Machine-learned force fields – VASP Wiki）能够与从头算分子动力学（MD）结合使用，既能从第一性原理出发捕捉底层物理机制，又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

本次教程我们将通过不断更改机器学习超参数，生成一系列对应的声子谱图，得到对应的最佳机器学习力场参数文件。通过本次教程，您将了解如下 VASP 机器学习的超参数：

ML_IWEIGHT #权重选取模式
ML_WTSIF #权重系数
ML_WTOTEN #总能权重系数
ML_WIFOR #力权重系数
ML_SIGW0 #拟合步长精度
ML_RCUT1 #径向截断距离
ML_RCUT2 #夹角截断距离
ML_EPS_LOW #拟合精度

通过合理地调整参数，我们最终将得到与 DFT 几乎一模一样的结果。

12

输入文件

├── dft_phonon
│ ├── band.yaml（DFT 参考声子谱）
├── ml_phonon（机器学习声子谱计算文件夹）
├── refit（微调文件夹）
│ ├── INCAR
│ ├── KPOINTS
│ ├── ML_AB
│ ├── POSCAR
│ ├── POTCAR
│ ├── clean.sh
│ └── run.sh
├── t.py

本教程只关注 ~/refit 文件夹下的输入文件即可

run.sh

#进行机器学习拟合
mpirun -n 1 vasp_std
#将力场参数文件转移到声子计算文件夹中
cp ML_FFN ../ml_phonon/ml/ML_FF
#进行声子机器学习计算
cd ../ml_phonon/
chmod 777 *.sh
./run.sh
cd ../
#绘制对比图
python t.py

INCAR 机器学习拟合设置

SYSTEM = Si

IVDW   = 11     #范德华力
ISMEAR = 0      #费米展宽
SIGMA  = 0.02  #展宽

LWAVE  = F #不保留波函数
LCHARG = F #不保留电荷


IBRION = 0      #MD (treat ionic degrees of freedom)
NSW    = 1       #机器学习需要设置成 1
POTIM  = 1      #MD time step in fs
ISIF   = 3          #

# 机器学习
ML_LMLFF  = T        #启用机器学习力场
ML_ISTART  = 3       #重新拟合模式（微调模式）
ML_IWEIGHT = 3       #权重选取模式
ML_WTSIF  = 1        #权重系数
ML_WTOTEN = 1        #总能权重系数
ML_WIFOR =  1        #力权重系数
ML_SIGW0 = 1E-20   #拟合步长精度
ML_RCUT1 = 8.         #径向截断距离
ML_RCUT2 = 6.         #夹角截断距离
ML_EPS_LOW = 1E-20 #拟合精度
ML_MB = 5000      #运行内存设置

KPOINTS（启用机器学习时不使用，随便设置一个即可）

K-Spacing Value to Generate K-Mesh: 0.040
0
Gamma
   4   4   4
0.0  0.0  0.0

POSCAR

机器学习训练的超胞大小，可参考教程：使用 VASP 进行机器学习力场训练

POTCAR

系统对应元素的赝势组合，这里为 Si 的赝势

ML_AB

这是事先计算好的系统对应的分子动力学数据，具体训练流程可参考教程：使用 VASP 进行机器学习力场训练，然后将 ML_ABN 重命名为 ML_AB，这里为 Si 的分子动力学数据，已经事先准备好了。

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

2

加载完毕后打开工作空间

3

打开终端

4

进入 refit 文件夹

cd refit

上传准备好的硅赝势，这里可以使用「官网例子」里的赝势 POTCAR 。

把 POTCAR 放到目录中，并复制到 ml_phonon/ml 中

cp POTCAR ../ml_phonon/ml/
5

3. 安装 phonopy 环境

conda install -c conda-forge phonopy

然后输入 y 回车，同意安装

6

4. 运行脚本

chmod 777 *.sh

./run.sh

5. 微调参数

查看文件 ml.png

7

回到 refit 文件夹，更改权重模式为 ML_IWEIGHT = 2，再次运行脚本查看结果

8

可以看到结果更差了，回头更改权重模式 ML_IWEIGHT = 1 再观察结果

9

综合比较可以发现 1 和 3 的结果差不多，甚至 1 的细节更好（光学支），接下来在 ML_IWEIGHT = 1 的情况下，进行改进。

我们尝试单独增加拟合力的精度，将 ML_WIFOR 改小。

10

我们发现变化不大，这说明我们应该尝试增加截断距离，给予更多拟合空间。

11

可以看到，结果反而更差（光学支），那这说明参数空间过大，找到的极值点反而不是最小值点。我们应当反过来减小截断距离。

12

更改参数，重新运行后，我们最后得到了能生成与 DFT 一模一样声子谱的机器学习力场参数。