DeePMD DPA4C紧凑描述符训练与测试

本篇接着输入与环境准备，读取DPA4C紧凑描述符的新训练结果。下载完整实例包。

1 打开完整训练输入#

cat inputs/dpa4c.json

实际model部分如下；完整文件还给出学习率、损失及训练/验证数据路径：

{
  "type": "standard",
  "type_map": [
    "N",
    "H"
  ],
  "descriptor": {
    "type": "dpa4c",
    "rcut": 3.0,
    "channels": 16,
    "lmax": 2,
    "n_radial": 4,
    "radial_modes": 0,
    "use_amp": false,
    "precision": "float64",
    "seed": 600001
  },
  "fitting_net": {
    "type": "ener",
    "neuron": [
      32,
      32
    ],
    "resnet_dt": false,
    "precision": "float64",
    "seed": 600002
  }
}

channels=16、lmax=2、n_radial=4控制描述符的通道、角向与径向规模；radial_modes=0是本例采用的设置。precision=float64便于比较能量导数，use_amp=false关闭混合精度。DPA4C使用标准能量拟合网络，不需要DPA4的专用model.type结构；这两个入口不能只改一个名字就互换。

本例batch 4，训练3000步，起始学习率0.002、终值0.00001。总能量与力损失权重均为1，virial权重为0。力来自总能量对坐标的导数。固定NH₃化学计量下的总能量监督不能确定唯一的物理原子能量分解。

2 查看自己的误差表#

head -n 3 tables-new/model-results.csv

这里有自己新训练模型的一行结果；能量按4个真实原子归一，力为12个测试姿态中全部原子三方向的分量RMSE。本站P100与V10016G独立训练的实际结果如下：

不同设备从头训练的优化轨迹可能不同；后面的CPU/GPU检查会对比同一个权重，两种比较不要混淆。小样例只覆盖固定氨分子构型范围，不据此宣称通用反应势、解离精度或生产MD稳定性。

3 读取学习曲线#

head -n 6 new-work/p100-dpa4c/lcurve.out

V100运行时将目录前缀改为v100-。日志区分训练和验证误差，测试构型不参与优化；不要只看最后一个训练batch来判断模型能否外推。

4 查看本次作业摘要#

python3 code/summary.py

应看到1个新模型、3000次优化更新和新结果检查摘要，新量子化学调用为0。新的训练日志、测试预测与推断数组在new-work，附带参考在reference；两者分开保存。