DeePMD驱动LAMMPS、ASE和GPUMD

先按输入与单位篇解压实例包，之后始终在同一个 H2-MD 目录操作。

1 确认目录#

pwd

目录中应有 run.sh、models/、reference/ 和 gpumd-source/。参考轨迹与新计算分别保存，方便对照。

2 提交六个短程任务#

bash run.sh

默认申请P100分区1GPU、2个CPU核额度，在同一个Slurm作业内依次运行LAMMPS、ASE和GPUMD的两种步长，共六次真实MD。V10016G用户可使用 bash run.sh v100。程序先在自己的工作目录编译GPUMD的DeePMD可选接口，再执行计算和独立模型预测，最后输出结果表；不在登录节点运行MD。

公共GPUMD模块未启用DeePMD接口。 本例带有匹配5.9.1的源文件和原始许可证，作业内使用GCC13.3、CUDA12.9、C++17及 USE_DEEPMD，链接现有DeePMD3.2.0 C++库，生成个人目录专用程序。这份程序仅启用DP，不包含公共GPUMD中的PLUMED或NetCDF功能；需要那些功能时继续选用相应公共模块。

加载的源编译环境为 lammps/22Jul2025_update6-deepmd-3.2.0-source-p100-gpu 或V100对应模块，包含OpenMPI5.0.10rc2与DeePMD3.2.0；Python后端为PyTorch2.12.0，ASE3.29.0，NumPy与Matplotlib用于整理数据和绘图。三套程序读取同一硬件对应的冻结模型；本例不重新训练势模型。

cat new-work/SUBMISSIONS.json

提交号保存在这个文件中。脚本会等待已有作业完成，排队时不要反复运行。需重算时另建一个解压目录，保留原轨迹。作业日志是 new-work/native-作业号.out，各程序完整输出在相应子目录的 native.out。

head -n 8 tables-new/your-native-MD-results.csv

完成后得到六行新结果，包含步长、实际帧数、键长范围、总能变化以及与模型原生接口的能量/力差异。不是只对参考数据重新画图。

3 作业内执行什么#

LAMMPS使用单MPI进程：mpirun -np 1 --bind-to none lmp -in in.lmp。ASE由 code/ase_md.py 中的 VelocityVerlet 直接驱动，核心操作如下：

atoms.set_velocities(v_Aps / (1000 * units.fs))
atoms.calc = DP(model=model_path)
dynamics = VelocityVerlet(atoms, dt_fs * units.fs)
dynamics.run(number_of_steps)

GPUMD直接运行工作目录内编译的程序，读取 model.xyz、dp.txt 与 run.in。这些命令在脚本申请到的GPU作业内执行，日常操作使用上面的短命令即可。

三套程序给出几乎重合的键长轨迹。下面将0.05 fs轨迹相对LAMMPS的差异放大到微Å量级；GPUMD、ASE与LAMMPS内部单位常数的精度略有差异，因此不要求逐位相同。

4 独立核对能量与力#

脚本把每个实际保存结构重新送入DeePMD原生 DeepPot.eval，比较返回的能量与力。两套模型分别在自己的P100/V100轨迹上核对，避免把不同权重的差异误认为接口差异。

LAMMPS/ASE能量差约10⁻¹⁴ eV，GPUMD约5×10⁻¹⁰ eV，后者主要受 thermo.out 打印位数限制；力差分别在10⁻¹³和10⁻¹⁵ eV/Å量级。它们反映接口数值一致性，不等于势模型相对量化计算的误差。模型精度仍需独立量化测试。接口用法参阅DeePMD的ASE文档，继续检查时间步长与能量。