Skip to content

DP-GEN使用入门

简介

Deep Potential Generator (DP-GEN) 是一个将神经网络势能(machine learning potential)和主动学习(active learing)结合起来的工作流。该包主要由张林峰(普林斯顿大学),王涵(北京应用物理与计算数学研究所)开发。如有问题,可以向他们询问。

提示

考虑到 DP-GEN 在集群运行可能存在一定的性能问题,推荐尝试 ai2-kit 运行势函数训练的 Close Loop Learning (CLL) 任务。

以下为参考信息:

Warning

此页面仅限提供贡献者对于该软件的理解,如有任何问题请联系贡献者。建议在阅读此篇前先对DeePMD-kit有一定了解。
指路:DeePMD-kit

DP-GEN的工作流是由以下三步组成的循环:

  • 训练:DeePMD-kit同时训练 多条(一般是4条)参数初始化不同的势函数(GPU)。
  • 采样和筛选:基于训练得到的势函数和指定的初始结构利用LAMMPS进行classical MD,扩展构型空间。然后对MD中得到的构型依照特定指标(对某个构型用不同的势函数预测所得的原子力的标准差)进行筛选(GPU)。
  • 标记:将筛选所得的构型进行DFTMD单点能计算,得到力和能量,加入训练集进行新一轮的训练(51或52)。

输入文件

为了使dpgen运行起来,我们需要准备如下的文件:

  • param.json

三步计算中所用的参数,具体指神经网络训练的参数,lammps中MD的参数和DFTMD计算单点能的参数。

  • machine.json

制定上述三个步骤分别在哪个服务器计算。

Tip

在 Zeus 集群上配置 machine.json`,请参阅GPU使用说明

  • 初始训练集数据

放在提交dpgen所在的服务器上,用于训练势函数,参照DeePMD-kit中方法生成。

  • MD采样的初始结构

放在提交dpgen所在的服务器上,必须使用vasp5.x的POSCAR,把.xyz文件转化为POSCAR的脚本可见文末

输出文件

在提交dpgen的文件夹下会出现以下输出文件,用于指示任务运行的状况:

  • dpgen.log

包括了运行轮数,单个任务提交的情况,采样准确度等详细的信息。

  • record.dpgen

由多行 x y 组成,记录任务进程。其中x为运行的轮数(iteration),从0开始;y取0-8,其中0-2指代训练,3-5指代采样和筛选,6-8指代标记。

dpgen通过读取这个文件来决定从哪里重启计算,所以我们可以通过手动修改这个文件来决定重启的点。例如,在第x轮中我们发现采样的准确度过低,需要增加初始结构的数量重新跑MD,我们就可以把record.dpgen文件在x 2之后的内容删除,重新提交dpgen任务。

  • nohup.out

这个并不是必要输出,但是建议使用nohup命令把dpgen挂在后台运行。这个文件中输出的信息和dpgen.log的基本一致。

例子

接下来,把铂水界面势函数训练所用的param.json分解成几个部分进行解释,在实际使用中需要把几段放在一起。

comment

文件中的注释用_comment标注。

基本参数设置: params.json

param.json
{ 
    "type_map": [        
        "O", 
        "H",
        "Pt"
    ], 
    "mass_map": [ 
        15.999,
        1.0079,
        195.08
    ], 
    "_comment": " atoms in your systems ",
    "init_data_prefix": "/data/kmr/edl/pzc/hydroxide/ml_potential/pt-oh", 
    "init_data_sys": [
        "init/system-000","init/system-001"
    ], 
    "_comment": " path of training set ",
    "init_batch_size": [
        1,1
    ], 
    "sys_configs": [
        ["/data/kmr/edl/pzc/hydroxide/ml_potential/pt-oh/init/configs/POSCAR_0[0-9]"],
        ["/data/kmr/edl/pzc/hydroxide/ml_potential/pt-oh/init/configs/POSCAR_1[0-9]"]
    ], 
    "_comment": " path of initial structure for sampling ",
    "sys_batch_size": [
        1,1
    ], 

    ......
}
  • 势函数训练(DPMD)
param.json
  {
      ......
      "numb_models": 4, 
      "_comment": " number of NNP for model deviation ",
      "train_param": "input.json", 
      "_comment": " name of automatically generated input file for DPMD ",
      "default_training_param": {
          "model": {
          "descriptor": {
          "type": "se_a",
    "_comment": "could be bigger than the number of atoms of the very element",
          "sel": [68, 136, 64], 
          "rcut_smth": 0.50, 
          "rcut": 5.00, 
          "neuron": [25, 50, 100], 
          "resnet_dt": false, 
          "axis_neuron": 16,
          "seed": 1
          },
          "fitting_net": {
          "n_neuron": [240, 240, 240], 
          "resnet_dt": true, 
          "seed": 1
          }},
          "learning_rate": {
          "type": "exp",
          "start_lr": 0.005, 
          "decay_steps": 2000,
          "_comment": "last 20000 or 400000", 
          "decay_rate": 0.95
          },
          "loss": {
          "start_pref_e": 0.02, 
          "limit_pref_e": 1, 
          "start_pref_f": 1000, 
          "limit_pref_f": 1, 
          "start_pref_v": 0, 
          "limit_pref_v": 0
          },
          "training": {
          "systems": [ ], 
          "set_prefix": "set", 
          "stop_batch": 400000, 
          "batch_size": 1, 
          "seed": 1,
          "disp_file": "lcurve.out", 
          "disp_freq": 100, 
          "numb_test": 4, 
          "save_freq": 1000, 
          "save_ckpt": "model.ckpt", 
          "load_ckpt": "model.ckpt", 
          "disp_training": true, 
          "time_training": true, 
          "profiling": false, 
          "profiling_file": "timeline.json"
          }},
      "_comment": "modify according your systems!", 
      ......
  }
  • 采样和筛选(Lammps)
param.json
{  
    "model_devi_dt":            0.0005,
    "_comment": "model_devi_dt: Timesteps for MD. Consistent with DFTMD!",
    "model_devi_skip":          0,
    "_comment": "model_devi_skip: the first x frames of the recorded frames",
    "model_devi_f_trust_lo":    0.075,
    "model_devi_f_trust_hi":    0.10,
    "_comment": "modify according to the error distribution of system",
    "model_devi_e_trust_lo":    1e10,
    "model_devi_e_trust_hi":    1e10,
    "model_devi_clean_traj":    false,
    "model_devi_jobs": [
    {"temps": [300,400],"sys_idx": [0,1],"trj_freq": 10,"nsteps":  2000,"ensemble": "nvt","_idx": 0},
    {"temps": [300,400],"sys_idx": [0,1],"trj_freq": 10,"nsteps":  2000,"ensemble": "nvt","_idx": 1}
    ],
    "_comment": "sys_idx should correspond to sys_configs in the beginning",
    "_comment": "add the _idx step by step",
    "_comment": "modify nsteps and sys_idx based on model deviation accuracy",
    ......
}
  • 标记(计算单点能,此处以CP2K为例,VASP的设置可在官方文档中查看)
param.json
{
    ......
    "fp_style":     "cp2k",
    "shuffle_poscar":   false,
    "fp_task_max":  200,
    "_comment":         "the maximum number of stcs to calc.",
    "fp_task_min":  5,
    "fp_pp_path":   ".",
    "fp_pp_files":  [],
    "_comment":"the maximum number of stcs to calc.",
     "_comment": "fp_params: modify according your systems!",
    "fp_params": {
        "FORCE_EVAL":{
            "DFT":{
                "BASIS_SET_FILE_NAME": "/data/kmr/BASIC_SET/BASIS_MOLOPT",
                "POTENTIAL_FILE_NAME": "/data/kmr/BASIC_SET/GTH_POTENTIALS",
                "MGRID":{
                    "CUTOFF": 400
                },
                "QS":{
                    "EPS_DEFAULT": 1.0E-13
                },
                "SCF":{
                    "SCF_GUESS": "ATOMIC",
                    "EPS_SCF": 1.0E-6,
                    "MAX_SCF": 500,
                    "ADDED_MOS": 500,
                    "CHOLESKY": "INVERSE",
                    "SMEAR":{"ON"
                        "METHOD": "FERMI_DIRAC",
                        "ELECTRONIC_TEMPERATURE": 300
                    },
                    "DIAGONALIZATION":{
                        "ALGORITHM": "STANDARD"
                    },
                    "MIXING":{
                               "METHOD": "BROYDEN_MIXING",
                               "ALPHA":   0.3,
                               "BETA":    1.5,
                               "NBROYDEN":  14
                    }
                },
                "XC":{
                        "XC_FUNCTIONAL":{"_": "PBE"},
                        "XC_GRID":{
                                "XC_SMOOTH_RHO": "NN50",
                                "XC_DERIV": "NN50_SMOOTH"
                        },
                        "vdW_POTENTIAL":{
                                "DISPERSION_FUNCTIONAL": "PAIR_POTENTIAL",
                                "PAIR_POTENTIAL":{
                                        "TYPE": "DFTD3",
                                        "PARAMETER_FILE_NAME": "/data/kmr/BASIC_SET/dftd3.dat",
                                        "REFERENCE_FUNCTIONAL": "PBE"
                                }
                        }
                }
           },
            "SUBSYS":{
                        "KIND":{
                                "_": ["O", "H","Pt"],
                                "POTENTIAL": ["GTH-PBE-q6", "GTH-PBE-q1","GTH-PBE-q10"],
                                "BASIS_SET": ["DZVP-MOLOPT-SR-GTH", "DZVP-MOLOPT-SR-GTH","DZVP-A5-Q10-323-MOL-T1-DERIVED_SET-1"]
                        }
            }
        }
    }
}

计算设置

CP2K的input中部分参数有默认设置写入,具体可参照cp2k.py。

指路:cp2k.py

计算设置

金属体系OT section需要手动关闭,具体见上方的设置。

任务提交设置: machine.json

从 DP-GEN 0.10.0 版本开始,官方引入了对 DPDispatcher 的支持,并计划将 machine.json 迁移到 DPDispatcher 上。 DPDispatcher 相比原本 DP-GEN 自带的 Dispatcher,在接口和语法上有较大变化,需要额外指定 api_version 大于或等于 1.0。

关于 DPDispatcher 项目的说明,请参阅这里

DPDispatcher 相比旧版,基于配置字典而非文件Flag来管理所提交的任务,稳定性更优,且对作业管理系统的支持更加灵活多样,内置接口可支持多任务并行提交。 但新版在操作习惯上有较大改变,需要适应和调整。

以 LSF 为例,对 machine.json 的写法举例如下,请留意以下的注意事项。

注意

train 部分和model_devi部分使用了对新版 LSF 提供支持的写法,即同时指定 gpu_usagegpu_new_syntaxTrue,从而可在提交脚本中使用新版 LSF 的语法。

para_deg表示在同一张卡上同时运行的任务数,通常可不写出,此时默认值为1。这里给出的例子表示在同一张卡上同时运行两个Lammps任务。

fp 部分使用的是针对CPU计算使用的语法。

注意

注意在fp部分,mpiexec.hydra需要明确写出以确保任务是并行执行的,可参考以下例子中的写法:mpiexec.hydra -genvall vasp_gam。若你不知道这部分该如何书写,请参考集群上的提交脚本说明(/data/share/base/scripts)。

若在191上向191上提交任务,可以考虑使用LocalContext,可以减少文件压缩传输的额外IO开销。

machine.json
{
  "api_version": "1.0",
  "train": [
    {
      "command": "dp",
      "machine": {
        "batch_type": "Slurm",
        "context_type": "LocalContext",
        "local_root": "./",
        "remote_root": "/data/tom/dprun/train",
      },
      "resources": {
        "number_node": 1,
        "cpu_per_node": 1,
        "gpu_per_node": 1,
        "queue_name": "gpu3",
        "group_size": 1,
        "module_list": [
          "deepmd/2.0"
        ]
      }
    }
  ],
  "model_devi":[
    {
      "command": "lmp_mpi",
      "machine":{
        "batch_type": "Slurm",
        "context_type": "SSHContext",
        "local_root": "./",
        "remote_root": "/data/jerry/dprun/md",
        "remote_profile": {
          "hostname": "198.76.54.32",
          "username": "jerry",
          "port": 6666
        }
      },
      "resources": {
        "number_node": 1,
        "cpu_per_node": 1,
        "gpu_per_node": 1,
        "queue_name": "gpu2",
        "group_size": 5,
        "kwargs": {
          "custom_gpu_line": [
            "#SBATCH --gres=gpu:1g.10gb:1"
          ]
        },
        "strategy": {"if_cuda_multi_devices": false},
        "para_deg": 2,
        "module_list": [
          "deepmd/2.1"
        ],
        "source_list": []
      }
    }
  ],
  "fp":[
    {
      "command": "mpiexec.hydra -genvall cp2k.popt input.inp",
      "machine":{
        "batch_type": "Slurm",
        "context_type": "SSHContext",
        "local_root": "./",
        "remote_root": "/data/jerry/dprun/fp",
        "remote_profile": {
          "hostname": "198.76.54.32",
          "username": "jerry",
          "port": 6666
        }
      },
      "resources": {
        "number_node": 2,
        "cpu_per_node": 32,
        "gpu_per_node": 0,
        "queue_name": "c53-medium",
        "group_size": 10,
        "module_list": [
          "intel/17.5.239",
          "mpi/intel/2017.5.239",
          "gcc/5.5.0"
          "cp2k/7.1"
        ]
      }
    }
  ]
}

相关参数含义,详情请参阅官方文档 machineresources 部分的说明。

以下是部分参数含义:

参数 描述
machine 指定远程服务器的配置信息。
batch_type 提交作业系统的类型,可指定 LSF, Slurm, Shell 等。
context_type 连接到远程服务器的方式,常用可选参数SSHContext, LocalContext, LazyLocalContext等。详见官方文档说明。
SSHContext 通过SSH连接到远程主机,通常情况下从一个服务器提交到另一个时可使用。
LocalContext 若需要在当前服务器上提交任务,可选择此选项,则不必通过SSH连接。此时 remote_profile 部分可不写。
remote_root 任务在目标主机上提交的绝对路径。
remote_profile 远程主机设置,若context_typeLocalContext, LazyLocalContext可不写。
hostname 远程主机IP。
username 远程主机用户名。
password 远程主机密码。若通过密钥登陆可不写。
port SSH连接的端口,默认为22。
key_filename SSH密钥存放的路径。默认放在~/.ssh下,此时可不写。
passphrase 密钥安全口令,通常在创建密钥时设置。若为空可不写。
resource 作业提交相关配置信息。
number_node 作业使用的节点数。
cpu_per_node 每个节点上使用CPU核数。
gpu_per_node 每个节点上使用GPU卡数。
kwargs 可选参数,依据各作业系统支持的配置而定。详见官方文档。
custom_gpu_line 自定义GPU提交命令,可根据语法自定义。根据作业管理系统不同,以 #BSUB (LSF) 或 #SBATCH (Slurm) 开头。文中的例子即在gpu2上使用MIG实例(1g.10gb)。
custom_flags 其他需要使用的Flag,例如Walltime、作业名等设置。
queue_name 任务提交的队列名。
group_size 每个作业绑定的任务个数。
if_cuda_multi_devices 是否允许任务运行在多卡上,默认为 True。在Zeus上建议写成 False
para_deg 同一卡上同时运行的任务数。默认为1。
module_list 需要load的module。可不写。
module_unload_list 需要unload的module。可不写。
source_list 需要source的脚本路径。可不写。
envs 需要引入的环境变量。可不写。

登录设置

如果服务器是密码登录,在username之后加上关键词password并写上密码。输入的内容要用引号括起!

准备好所有的输入文件后,就可以用以下指令提交dpgen任务啦!

dpgen run param.json machine.json

提交任务

如果在191提交,需要在服务器上自行安装dpgen。具体做法见官方GitHub。 一般来说运行如下命令即可:

pip install --user dpgen

Slurm获取状态异常问题的解决

若遇到以下报错,很大可能是因为Slurm暂时无法获取任务状态。由于旧版本DPDispatcher对这类波动导致的报错没有充分考虑,会直接退出:

RuntimeError: status command squeue fails to execute.job_id:13544 
error message:squeue: error: Invalid user for SlurmUser slurm, ignored
squeue: fatal: Unable to process configuration file

新版这一部分已经做了调整,但由于之前的版本空文件夹复制过程存在严重bug,请务必保证DPDispatcher版本在0.5.6以上。

pip install --upgrade --user dpdispatcher

支持

目前DP-GEN 0.11以上版本已经移除了旧版 dispatcher 的支持,推荐迁移到 DPDispatcher 上。为防止兼容性问题,这里仍保留了旧版的输入,请注意甄别。

machine_old.json
{
  "train": [
    {
      "machine": {
        "machine_type": "slurm",
        "hostname": "123.45.67.89",
        "port": 22,
        "username": "kmr",
        "work_path": "/home/kmr/pt-oh/train"
      },
      "resources": {
        "node_gpu": 1,
        "numb_node": 1,
        "task_per_node": 1,
        "partition": "large",
        "exclude_list": [],
        "source_list": [],
        "module_list": [
            "deepmd/2.1"
        ],
        "time_limit": "23:0:0"
      },
      "python_path": "/share/apps/deepmd/2.1/bin/python"
    }
  ],
  "model_devi": [
    {
      "machine": {
        "machine_type": "slurm",
        "hostname": "123.45.67.89",
        "port": 22,
        "username": "kmr",
        "work_path": "/home/kmr/pt-oh/dpmd"
      },
      "resources": {
        "node_gpu": 1,
        "numb_node": 1,
        "task_per_node": 1,
        "partition": "large",
        "exclude_list": [],
        "source_list": [],
        "module_list": [
            "deepmd/2.1"
        ],
        "time_limit": "23:0:0"
      },
      "command": "lmp_mpi",
      "group_size": 80
    }
  ],
  "fp": [
    {
      "machine": {
        "machine_type": "slurm",
        "hostname": "123.45.67.90",
        "port": 6666,
        "username": "kmr",
        "work_path": "/data/kmr/edl/pzc/hydroxide/ml_potential/pt-oh/labelling"
      },
      "resources": {
        "cvasp": false,
        "task_per_node": 28,
        "numb_node": 1,
        "node_cpu": 28,
        "exclude_list": [],
        "with_mpi": true,
        "source_list": [
        ],
        "module_list": [
            "intel/17.5.239",
            "mpi/intel/17.5.239",
            "cp2k/6.1"
        ],
        "time_limit": "12:00:00",
        "partition": "medium",
        "_comment": "that's Bel"
      },
      "command": "cp2k.popt input.inp",
      "group_size": 50 
    }
  ]
}

训练集收集

DP-GEN代码迭代生成的训练集是分散储存的。可以用DP-GEN自带的collect函数进行数据收集。

首先可以使用dpgen collect -h 查看使用说明

常用用法是

dpgen collect JOB_DIR OUTPUT_DIR -p param.json

JOB_DIR就是DP-GEN的输出目录,包含有iter.0000*一系列的目录。OUTPUT_DIR就是收集的数据准备放到哪。param.json就是运行DP-GEN跑的param文件。

例如:

dpgen collect ./ ./collect -p param-ruo2.json

以上命令会把当前文件夹的DP-GEN数据收集好放入collect目录里。

init.000  init.001  sys.000  sys.001

init.*是初始训练集,sys.*是后来DP-GEN生成的训练集,按照param的sys分类。

Bonus!

常见报错问题(欢迎补充&修正)

  • ... expecting value ...

可能是数组或者字典末尾多写了逗号

  • ERROR: lost atoms ...

可能是Lammps算model_devi的时候因为势函数太差导致有原子重合而报错。可以手动在对应的单条轨迹的input.lammps中加入

  thermo_modify   lost ignore flush yes

然后在上一级文件夹下面手动提交任务

  bsub<*.sub
- AssertionError

某个单点能计算中断后重新开始,导致cp2k的output中有重叠。可以在02.fp文件夹下用以下脚本进行检查:

import dpdata
import glob
l = glob.glob("task.002*")
l.sort()
stc = dpdata.LabeledSystem(l[0]+'/output',fmt='cp2k/output')
for i in l[1:]:
    print(i)
    stc += dpdata.LabeledSystem(i+'/output',fmt='cp2k/output')

其中task.002.*代表遍历002system中的被标记的结构。如果不同系统的原子数相同,也可以直接用task.00*一次性检查所有的结构。

  • 如果你发现进行 model deviation 从一开始就非常大,并且测试集的结构被打乱,有可能是在 param 文件中设置了"shuffle_poscar": true。该选项会随机打乱测试集原始 POSCAR 中的行,并用打乱后的结构进行 model deviation 测试。该选项主要用于打乱合金体系的结构,然而对于界面或者共价键连接的体系(如半导体),随机打乱原子的将会使界面结构或者半导体结构变成混乱的一锅粥,没有任何化学含义,因此我们不用进行shuffle(也不可以)。请在 param 文件中设置:
    ...
    "shuffle_poscar": false
    ...
    

script from xyz to POSCAR

from ase.io import iread, write
import ase.build

for j in range(2):
    i=0
    for atoms in iread('./traj_'+str(j)+'.xyz', format='xyz'):
        atoms.set_cell([11.246, 11.246, 35.94,90,90,90])
        i=i+1
        if i%20==0:
            atoms=ase.build.sort(atoms)
            ase.io.write('POSCAR_'+str(j)+'_'+str(int(i/20)-1), atoms, format='vasp',vasp5=True)
或者调用ase.io.vasp里的write:

def write_vasp(filename, atoms, label=None, direct=False, sort=None,
symbol_count=None, long_format=True, vasp5=False,
ignore_constraints=False):

Comments