DeePMD DPA4与GLU能量模型实操

DPA4在DeePMD中使用SeZM描述符。本例配合原生dpa4_ener拟合头，训练NH₃总能量并从能量求导得到原子力。请先完成数据准备和单卡训练，本篇继续读取同一次新作业。下载完整实例包。

1 查看完整模型设置#

cat inputs/dpa4-GLU.json

关键model配置直接列在下面，完整输入文件还包括学习率、能量/力损失和训练/验证数据路径：

{
  "type": "dpa4",
  "type_map": [
    "N",
    "H"
  ],
  "descriptor": {
    "type": "dpa4",
    "rcut": 3.0,
    "sel": [
      4,
      8
    ],
    "channels": 16,
    "n_radial": 4,
    "radial_mlp": [
      16
    ],
    "edge_norm": false,
    "use_env_seed": true,
    "random_gamma": false,
    "edge_cartesian": true,
    "lmax": 1,
    "mmax": 1,
    "kmax": 0,
    "n_blocks": 1,
    "mixing_layers": 1,
    "radial_so2_mode": "none",
    "n_atten_head": 0,
    "ffn_neurons": 32,
    "use_amp": false,
    "precision": "float64",
    "seed": 596001
  },
  "fitting_net": {
    "type": "dpa4_ener",
    "neuron": [
      32,
      32
    ],
    "resnet_dt": false,
    "precision": "float64",
    "seed": 596002
  },
  "use_compile": false,
  "enable_tf32": false
}

这是为小分子教学设置的小网络：n_blocks=1、n_radial=4、lmax=1，不代表所有体系的推荐生产参数。dpa4_ener是实际训练的GLU能量拟合头。输入中关闭自动编译和TF32，使用双精度，便于核对能量导数与设备一致性。邻居构造需要个人环境的Vesin；若直接运行公共dp而绕过.venv，可能找不到这个依赖。下载包始终通过.venv/bin/python -m deepmd调用。

2 找到自己的DPA4检查点#

ls new-work/p100-dpa4-GLU

V100时改为new-work/v100-dpa4-GLU。本例直接用原生model.pt执行测试与Python推断。这里不提供DPA4的冻结导出或LAMMPS接入结论；不要把concat的.pth使用方式直接套在DPA4上。先确认下游接口支持具体描述符和模型格式，再部署自己的MD势。

本次真实测试的DPA4力RMSE约0.01365 eV/Å。原子能量贡献是模型内部表示，本例只监督分子总能量；不能把内部原子能量直接解释成唯一的物理分解。训练数据固定为NH₃化学计量，不支持据此推断解离、反应和其他氮氢配比。

3 查看CPU/GPU差别#

cat tables-new/cpu-gpu-errors.csv

每个模型比较相同检查点在CPU与已分配GPU上的能量和力，不是比较两个不同训练模型。还检查平移、旋转、相同H原子交换、合力与6个坐标方向的能量有限差分；两档位移分别为0.0001和0.00003 Å。受力差分中的能量单位为eV，得到的力单位为eV/Å。

这里展示数值一致性，不是吞吐量测速。很小的CPU/GPU差别主要处于浮点舍入量级，不能解释为硬件改变了化学预测。

4 重画配套参考图#

bash plot.sh

这个命令读取reference中的真实实算数组，重画六张参考图，不会再次训练，也不把参考图冒充自己的新预测。自己的误差见tables-new，自己的完整数组见new-work/API-*。需要生产势时，应补充更广构型、独立测试、MD稳定性与误差收敛，而不是只增加这个小样例的训练步数。

软件与参数依据：DeePMD-kit3.2.0官方版本、Vesin官方文档。