Calorine模型裁剪、扩展与重启状态

下载模型、真实数据、完整脚本与参考图片。相关教程：偶极与极化率 · 红外与拉曼谱 · NEP89微调 · 模型编辑 · GPUMD数据读写 · 完整接口索引

1 准备与运行#

先解压并重画已经完成的参考结果：

unzip calorine-response-workflows-wave266-*.zip
cd calorine-response-workflows-wave266
bash run.sh

六张参考图在figures，CSV在analysis。若要自己重新计算，在新解压目录以普通账号执行：

bash prepare.sh
bash calculate.sh
bash status.sh

calculate通过Slurm分配一张P100，自动完成本包所有计算；新结果在work，参考图与新算结果分开。已提交时继续查看status，不要删除记录重复提交。结束后：

cat work/COMPLETE.json
ls work/analysis

本例环境为Calorine 4.0、Python 3.11、GPUMD 5.9.1；GPUMD采用GCC 13.3/CUDA 12.9系列环境。可以用module show calorine/4.0和module show gpumd/5.9.1-p100查看当前模块。下面的Python片段在计算完成后的work目录执行；MD和训练由calculate提交。

2 模型文件和restart各保存什么#

nep.txt保存用于预测的模型参数；nep.restart保存SNES的均值和搜索宽度。编辑模型结构时，要同时考虑新参数如何初始化，以及它们的搜索宽度是否已设置。搜索宽度σ不是MD温度；0表示冻结，未设置是NaN，二者含义不同。

查看本包实跑的编辑结果：

cat work/Model-API/RESULTS.json
ls work/Model-API
ls models/NEP89-Si-parent*

NEP89-Si-parent由完整父模型保留Si元素得到，八个Si外部构型的能量、力和virial与完整父模型一致。它只保留Si，不能再用来预测其他88个元素。

3 从已有势建立搜索状态#

from calorine.nep import read_model
m = read_model('models/water-energy.txt')
m = m.set_restart_sigma(strategy='constant', value=0.01, target='all')
print(m.training_parameters)
print(m.parameter_counts)
print(m.n_frozen_parameters, m.n_unset_parameters)
m.write('my-nep.txt', restart_file='my-nep.restart')

如果有真实的已训练restart，优先用read_model(..., restart_file='...')读取；不要用上面的统一宽度覆盖原状态。read_restart和write_restart也可以单独读写搜索状态。

4 元素与网络的实际编辑#

grown = m.add_species(['He'], seed=13579)
kept = grown.keep_species(['O','H'])
removed = grown.remove_species(['He'])
reordered = m.reorder(['H','O'])

aug = m.augment(n_neuron=m.n_neuron + 2)
aug = aug.initialize_parameters(strategy='constant', value=0, target='unset')
aug = aug.set_restart_sigma(strategy='constant', value=0.01, target='unset')
pruned = aug.prune(n_neuron=m.n_neuron)
pruned.write('edited-nep.txt', restart_file='edited-nep.restart')

这些操作返回新Model。新增He的初值不代表He势已经能用；它还需要相应真实数据和训练。本例新增零输出神经元用于说明参数管理，在原O/H体系上保持预测值；不是靠增加两个神经元自动提高准确率。prune缩减一般模型时可能损失精度，不能把本例的零扩展对照当成任意剪枝都无损。

5 完整Model入口#

本包model_api.py逐项调用上述16个成员，并比较编辑前后的原体系预测。对自己新建的物理模型仍需重新检查数据覆盖、外部误差和MD稳定性。

参考Calorine NEP模型接口。