DeePMD分子极化率张量训练实操

本篇使用量化标签整理的同一份NH₃数据，演示 polar 模型如何学习静态极化率。训练已由上一篇的 bash run.sh 一并完成；本篇继续读结果，不需再次提交。

1 查看实际输入#

cat reference/all-centers/inputs/polar-global-allatoms.json

核心设置如下：

{
  "fitting_net": {"type": "polar", "sel_type": [0, 1], "neuron": [16, 16], "fit_diag": false, "precision": "float64"},
  "loss": {"type": "tensor", "pref": 1.0, "pref_atomic": 0.0}
}

选择N和H全部中心，由总α监督中心贡献的总和。使用 polarizability.npy，不需要，也不应仅凭总α臆造每个原子的 atomic_polarizability.npy。fit_diag=false 保留对应拟合矩阵设置，输出是3×3对称极化率张量；输入九分量顺序与单位见标签篇。

2 读取结果与重新绘图#

bash plot.sh

读取提供的实际结果生成图片，不启动训练。全部原始学习曲线、冻结模型与对照预测仍在 reference/。

head -n 12 tables-new/your-tensors.csv

查看新算例对应的模型、RMSE和旋转/平移误差。表中的偶极为eÅ，极化率为ų，两种单位应分开比较。

3 为什么要检查选中中心#

初始只选N的 polar-atomic 和 polar-global，在本例测试集上的RMSE约0.09037 ų；保持相同量化标签、原始几何划分、网络大小、学习率、种子和3000训练步，改为全部N/H中心并使用全局α监督后，RMSE约0.01333 ų。P100与V100结果均如此。初始模型和曲线保留在包中，供比较。

这说明本例的中心表示选择会明显影响效果，不能只看训练是否跑完，也不能遇到误差偏大就盲目增加训练步数。该现象不意味着所有体系都应全选中心；化学环境、数据覆盖和模型表示仍需分别检查。

4 张量应怎样跟着结构变化#

预测接口使用 from deepmd.tf.infer import DeepPolar。把同一个结构整体旋转R后，张量应满足α′=RαRᵀ；整体平移后应保持不变。同一冻结权重的CPU/GPU数值也应一致，这些对照与模型对HF标签的拟合误差是不同问题。

head -n 14 tables/tensor-results.csv

偶极差异在约10⁻¹⁶ eÅ量级，全中心极化率差异在约10⁻¹⁴ ų量级；图中使用实际差值，两个面板单位不同。每个图形对应的NPZ在 reference/all-centers/API-*/，包括实际预测、标签、旋转矩阵及平移量。

测试结构01的HF张量对角约(1.3555,1.3555,0.7906) ų，模型约(1.3872,1.3872,0.7759) ų，可结合响应椭球图理解方向各向异性。这是静态、孤立分子、HF/6-31G(d)下的数值；没有频率依赖、凝聚相效应，也没有在此例生成拉曼谱。生产应用需要更大、更有代表性的数据与独立测试。损失与标签格式参见DeePMD官方教程。

本组完整实例下载包包含三篇教程使用的全部可公开数据与脚本。