DeePMD描述符与DPA1、DPA2、DPA3输入实例

下载结构、标签、完整JSON、冻结模型、参考结果和脚本。解压到自己的工作目录，以下命令从附件根目录开始。预处理可交互操作；训练、批量预测和MD在申请的计算资源内运行。所有新结果进入work，不覆盖reference。

1. 单独训练各族#

sbatch train.sbatch se_e2_a
sbatch train.sbatch se_e2_r
sbatch train.sbatch se_e3
sbatch train.sbatch hybrid
sbatch train.sbatch se_atten_v2
sbatch train.sbatch dpa2
sbatch train.sbatch dpa3
sbatch train.sbatch tf-se_e2_a

每个名字对应inputs下完整JSON。不同任务用自己的目录；各200步，不能按这张表给模型架构排性能名次。DPA1使用se_atten名称，见前一篇500步输入。

2. 描述符片段#

下表述的是实际输入用途；完整descriptor代码紧随其后。se_e2_a含局域角向信息，se_e2_r为径向描述；hybrid组合两者；se_e3增加三体信息。DPA注意力/消息表示不能套用se_e2_a的sel列表格式。

se_e2_a#

{
  "rcut": 4.0,
  "rcut_smth": 3.5,
  "sel": [
    64
  ],
  "neuron": [
    8,
    16
  ],
  "resnet_dt": false,
  "seed": 20261028,
  "precision": "float64",
  "type": "se_e2_a",
  "axis_neuron": 4
}

se_e2_r#

{
  "rcut": 4.0,
  "rcut_smth": 3.5,
  "sel": [
    64
  ],
  "neuron": [
    8,
    16
  ],
  "resnet_dt": false,
  "seed": 20261028,
  "precision": "float64",
  "type": "se_e2_r"
}

se_e3#

{
  "rcut": 4.0,
  "rcut_smth": 3.5,
  "sel": [
    64
  ],
  "neuron": [
    8,
    16
  ],
  "resnet_dt": false,
  "seed": 20261028,
  "precision": "float64",
  "type": "se_e3"
}

hybrid#

{
  "type": "hybrid",
  "list": [
    {
      "rcut": 4.0,
      "rcut_smth": 3.5,
      "sel": [
        64
      ],
      "neuron": [
        8,
        16
      ],
      "resnet_dt": false,
      "seed": 20261028,
      "precision": "float64",
      "type": "se_e2_a",
      "axis_neuron": 4
    },
    {
      "rcut": 4.0,
      "rcut_smth": 3.5,
      "sel": [
        64
      ],
      "neuron": [
        8,
        16
      ],
      "resnet_dt": false,
      "seed": 20261028,
      "precision": "float64",
      "type": "se_e2_r"
    }
  ]
}

se_atten_v2#

{
  "type": "se_atten_v2",
  "rcut": 4.0,
  "rcut_smth": 3.5,
  "sel": 64,
  "neuron": [
    8,
    16
  ],
  "axis_neuron": 4,
  "resnet_dt": false,
  "attn": 16,
  "attn_layer": 1,
  "attn_dotr": true,
  "attn_mask": false,
  "seed": 20261028,
  "precision": "float64"
}

dpa2#

{
  "type": "dpa2",
  "precision": "float64",
  "seed": 20261028,
  "repinit": {
    "rcut": 4.0,
    "rcut_smth": 3.5,
    "nsel": 64,
    "neuron": [
      8,
      16
    ],
    "axis_neuron": 4,
    "tebd_dim": 8
  },
  "repformer": {
    "rcut": 3.5,
    "rcut_smth": 3.0,
    "nsel": 32,
    "nlayers": 1,
    "g1_dim": 16,
    "g2_dim": 8,
    "axis_neuron": 4
  }
}

dpa3#

{
  "type": "dpa3",
  "precision": "float64",
  "seed": 20261028,
  "repflow": {
    "n_dim": 16,
    "e_dim": 8,
    "a_dim": 8,
    "nlayers": 1,
    "e_rcut": 4.0,
    "e_rcut_smth": 3.5,
    "e_sel": 64,
    "a_rcut": 4.0,
    "a_rcut_smth": 3.5,
    "a_sel": 16,
    "axis_neuron": 4
  }
}

DPA2本例必须同时满足repinit.rcut大于repformer.rcut，以及repinit.nsel大于repformer.nsel，因此使用4/3.5Å与64/32。把两层截断或容量都写成一样，在当前3.2.0输入中不适用。

3. 读取实际留出误差#

本例固定数据很少，各族参数量和训练难度也不完全相同。TensorFlow模型是独立训练，不是PyTorch原模型换一个加载器。loc_frame、元素嵌入变体、掩码/自旋及专用张量网络有自己的输入要求，不能用本页已跑通的7族代表全部注册类型。