Calorine模型读写与描述符

下载本专题结构、势文件、真实参考数据和全部Python脚本。以下命令在解压目录执行；CPU计算使用已分配的CPU资源，GPU通过Slurm分配。原始结果放在 reference/，复跑结果写入当前目录。

1 区分模型文件和训练参数#

from calorine.nep import read_model
model = read_model('si-nep.txt')
print(model.types, model.version, model.n_parameters)
model.write('model-copy.txt')
model.write_nepfile('training-nep.in')

write保存带权重的势文件，可以交给CPUNEP；write_nepfile写训练超参数nep.in，不能把它当成势文件。示例对模型复制后的能量逐项核对。修改nep.in不等于重新训练出对应的新权重，不能修改角向阶数来假装兼容旧程序。

2 逐原子性质、描述符和潜变量#

from ase.io import read
from calorine.nep import (get_descriptors, get_latent_space,
                         get_potential_forces_and_virials)
a = read('case-03/model.xyz')
descriptors = get_descriptors(a, 'si-nep.txt')
latent = get_latent_space(a, 'si-nep.txt')
energy, force, virial = get_potential_forces_and_virials(a, 'si-nep.txt')
print(descriptors.shape, latent.shape)
print(energy.sum(), force.shape, virial.shape)

8原子Si输出描述符8×66、潜变量8×50；逐原子能量求和等于体系总能量。脚本分别检查了旋转后的描述符不变性和原子置换后的对应关系。9分量逐原子virial数组不能不看约定就直接当成ASE的6分量应力。

3 描述符的信息熵#

from calorine.tools import get_entropy
H, local = get_entropy(descriptors, width=0.05,
                       device='cpu', use_tqdm=False)
print(H, local)

本例8个环境、核宽0.05得到信息熵0.01329177。这里是描述符分布的信息量指标，不是材料热力学熵，也不是独立的模型误差条。核宽、描述符量纲、体系规模都会影响数值；比较不同样本集时保持定义和采样口径一致。

4 复现全部核对与图#

python cpu_workflows.py
python extra_workflows.py
python plot.py
ls descriptors.npz model-roundtrip.txt training-nep.in

客户做主动学习时，可先用描述符或潜变量筛选有代表性的结构，再对选定结构做真实参考计算；不能仅凭信息熵高就认为所有高能结构都适合加入训练。