vasp+机器学习计算AlN的势函数

## **deepmd安装**(在服务器的conda中安装)
参考网址：https://github.com/deepmodeling/deepmd-kit/blob/master/doc/install/easy-install.md

![](/media/202301/2023-01-04_203757_9883750.7732621869318045.png)
只安装CPU版本，此处只用了deepkit,创建了一个名为deepmd的新环境
安装前可能会提示更新conda,创建环境后则会提示初始化conda 
这个环境用`conda activate deepmd`激活，用`conda deactivate`关闭

## 1.准备数据集
基于神经网络的机器学习，需要准备训练集和测试集数据，可以用不同温度或者不同初始构型的动力学数据。
1.vasp跑AIMD，得到OUTCAR
2.激活deepmd环境，安装dpdata胞：`pip install dpdata`
3.准备转换数据的脚本change.py：
```python
import dpdata
dsys = dpdata.LabeledSystem('OUTCAR')
dsys.to('deepmd/npy','deepmd_data',set_size = dsys.get_nframes())
```
运行`python change.py`
得到 deepmd_data文件夹即为数据集。
跑了若干个AIMD则重复以上步骤得到多个deepmd_data文件夹

## 2.势函数训练
[知乎链接：分子动力学中势函数和力场的区别](https://zhuanlan.zhihu.com/p/520462197 "分子动力学中势函数和力场的区别")
1.准备文件：Data(包括几次MD后，用不同OUTCAR转成的deepmd_data文件，重命名后复制进来)
se_e2_a（输入参数文件input.json，提交脚本文件，dp.pbs,CPU的）
下载链接：[dp.pbs](http://pan.liuyaoze.com/s/V3iJ "dp.pbs")    [input.json](http://pan.liuyaoze.com/s/XDU4 "input.json")
2.修改输入文件：input.josn文件，要修改训练集和测试级的路径；激活deepmd环境后提交作业(不激活也能提交)

## 3.势函数验证
1.冻结deepmd的势函数：
主要识别ckpt文件，在计算完后的se_e2_a目录下：运行： `dp freeze -o graph.pb`（graph自定义名字）
2.test模型：`dp test -m graph.pb -s /path/to/system -n 2000 -d out` out：代表将能量和力输出名字；2000代表2000帧,帧数越多下方作图的范围越大，大约有帧数*100个点；一般验证的时候，输出全部训练集，路径选择验证的数据集的文件夹的路径。
会反馈力和能量的根均方误差RMSE

![](/media/202301/2023-01-05_221026_7300500.4899341134659432.png)

3.画图：
执行`python 1rms.py`；将lcurve.out中rmse（偏差）画出（每一步的偏差）
```python
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()

```

![](/media/202301/2023-01-07_133830_0629270.5119716871864262.png)
再根据out.e.out和out.f.out中的实际（fx,fy,fz,e)数据和预测数据作图
运行plot4.py可以直接作图查看,`python ploy4.py`:
```python
import numpy as np
import matplotlib.pyplot as plt

data_e = np.loadtxt('out.e.out')
data_f = np.loadtxt('out.f.out')
print(np.max(data_e[:,0]))
e_min = np.min(data_e[:,0])-10
e_max = np.max(data_e[:,0])+10
rems_e = float(np.sqrt(np.sum((data_e[:,1]-data_e[:,0])**2)/len(data_e[:,0])))
rems_fx = float(np.sqrt(np.sum((data_f[:,3]-data_f[:,0])**2)/len(data_f[:,0])))
rems_fy = float(np.sqrt(np.sum((data_f[:,4]-data_f[:,1])**2)/len(data_f[:,0])))
rems_fz = float(np.sqrt(np.sum((data_f[:,5]-data_f[:,2])**2)/len(data_f[:,0])))
x_e = [float(i) for i in np.arange(e_min,e_max,0.1)]
y_e = [float(i) for i in np.arange(e_min,e_max,0.1)]
plt.figure
plt.subplot(2,2,1)
plt.scatter(x_e,y_e,marker = '.',color = 'k',linewidths = 1,label = 'rems = {}'.format(rems_e))
plt.scatter(data_e[:,0],data_e[:,1],marker = ',',color = 'r',label = 'Energy',linewidths = 0.5)
# plt.hold()
plt.legend()
plt.xlabel('data_e')
plt.ylabel('pred_e')
plt.xlim([np.min(data_e[:,0])-10,np.max(data_e[:,1])+10])
plt.ylim([np.min(data_e[:,0])-10,np.max(data_e[:,1])+10])
plt.subplot(2,2,2)
fx_min = np.min(data_f[:,0])-5
fx_max = np.max(data_f[:,0])+5
x_e = [float(i) for i in np.arange(fx_min,fx_max,0.1)]
y_e = [float(i) for i in np.arange(fx_min,fx_max,0.1)]
plt.scatter(x_e,y_e,marker = '.',color = 'k',linewidths = 1,label = 'rems = {}'.format(rems_fx))
plt.scatter(data_f[:,0],data_f[:,3],marker = ',',color = 'r',label = 'fx',linewidths = 0.5)
plt.legend()
plt.xlabel('data_fx')
plt.ylabel('pred_fx')
plt.xlim([np.min(data_f[:,0])-4,np.max(data_f[:,0])+4])
plt.ylim([np.min(data_f[:,0])-4,np.max(data_f[:,0])+4])
plt.subplot(2,2,3)
fy_min = np.min(data_f[:,1])-5
fy_max = np.max(data_f[:,1])+5
x_e = [float(i) for i in np.arange(fy_min,fy_max,0.1)]
y_e = [float(i) for i in np.arange(fy_min,fy_max,0.1)]
plt.scatter(x_e,y_e,marker = '.',color = 'k',linewidths = 1,label = 'rems = {}'.format(rems_fy))
plt.scatter(data_f[:,1],data_f[:,4],marker = ',',color = 'r',label = 'fy',linewidths = 0.5)
plt.legend()
plt.xlabel('data_fy')
plt.ylabel('pred_fy')
plt.xlim([np.min(data_f[:,1])-4,np.max(data_f[:,1])+4])
plt.ylim([np.min(data_f[:,1])-4,np.max(data_f[:,1])+4])
plt.subplot(2,2,4)
fz_min = np.min(data_f[:,2])-5
fz_max = np.max(data_f[:,2])+5
x_e = [float(i) for i in np.arange(fz_min,fz_max,0.1)]
y_e = [float(i) for i in np.arange(fz_min,fz_max,0.1)]
plt.scatter(x_e,y_e,marker = '.',color = 'k',linewidths = 1,label = 'rems = {}'.format(rems_fz))
plt.scatter(data_f[:,2],data_f[:,5],marker = ',',color = 'r',label = 'fz',linewidths = 0.5)
plt.legend()
plt.xlabel('data_fz')
plt.ylabel('pred_fz')
plt.xlim([np.min(data_f[:,2])-4,np.max(data_f[:,2])+4])
plt.ylim([np.min(data_f[:,2])-4,np.max(data_f[:,2])+4])
plt.show()
```

![](/media/202301/2023-01-07_133316_3675370.8203398802118959.png)
导出数据到Origin重新作图
![](/media/202301/2023-01-05_220743_6961410.6507638249459073.jpeg)

vasp+机器学习计算AlN的势函数

【温馨提示：本站文档可配置可见范围，如登录后可见、对特定群组可见等，看不到就是没权限】

注册码获取邮箱
work@liuyaoze.com

vasp+机器学习计算AlN的势函数

【温馨提示：本站文档可配置可见范围，如登录后可见、对特定群组可见等，看不到就是没权限】

注册码获取邮箱 work@liuyaoze.com

注册码获取邮箱
work@liuyaoze.com