DeePMD闭壳层电子布居训练

完成标签篇的解压后，在同一个 NH3-population 目录操作。完整实例包中已有数据和起始模型。

1 整理参考结果#

bash analyze.sh

生成 labels-rebuilt/ 与 tables/population-results.csv。表中包含P100、V10016G各自模型在GPU和CPU上的原生输出比较。

2 提交自己的训练#

bash run.sh

默认申请核时P100分区1GPU、2个CPU核额度，在Slurm作业内从提供的RHF对称起点执行额外3000步原生训练，冻结模型，再读取逐原子布居并与真实标签比较。V10016G用户可用 bash run.sh v100。

起始权重已有训练基础，这3000步是新的微调，不是从随机参数开始。 使用原生 --init-model 读取权重，重新建立优化器并将本轮步数从0计数；不要把它改成继续累计旧步数的 --restart。本例新学习曲线的1–3000是额外优化步数。

head -n 6 tables-new/population-results.csv

新结果在 tables-new/，训练、冻结及推断文件在 new-work/，与原始参考数据分开。脚本会等待当前作业完成；排队时不要重复运行，重算请另建解压目录。

cat new-work/SUBMISSIONS.json

这个文件保存本轮Slurm作业号，日志为 new-work/native-作业号.out。CPU推断也在该GPU作业分配的计算节点内运行并隐藏CUDA设备，仅作数值对照，不代表CPU节点性能。

3 为什么使用RHF对称起点#

本例的量化标签明确满足nα=nβ。初始化时，将原模型每个布居输出头的两列权重与两个偏置分别取平均，让两通道从相同状态开始；这只处理起始模型参数，没有在推断后改写结果。

该操作保持当时的逐原子总布居不变，并使闭壳层两通道一致。后续使用相同的α/β标签和对称的原生损失训练，保持本例的闭壳层条件。数据中的Mulliken电荷和坐标没有改动。

包内已提供相应起点，普通使用只需上面的短命令。这个起点专用于当前闭壳层RHF例子，不能将两通道相等的条件直接用于开壳层或磁性体系。 它也不会自动让分子总电子数精确等于10，应用时仍要检查电子数与总电荷。

4 完整训练输入#

{
  "model": {
    "type_map": [
      "N",
      "H"
    ],
    "descriptor": {
      "type": "se_e2_a",
      "sel": [
        4,
        8
      ],
      "rcut": 3.0,
      "rcut_smth": 2.5,
      "neuron": [
        8,
        16
      ],
      "axis_neuron": 4,
      "precision": "float64",
      "seed": 584001
    },
    "fitting_net": {
      "type": "population",
      "neuron": [
        16,
        16
      ],
      "precision": "float64",
      "seed": 584002
    }
  },
  "learning_rate": {
    "type": "exp",
    "start_lr": 0.0003,
    "stop_lr": 1e-06,
    "decay_steps": 300
  },
  "loss": {
    "type": "population",
    "loss_func": "smooth_mae"
  },
  "training": {
    "training_data": {
      "systems": [
        "../data/train"
      ],
      "batch_size": 4
    },
    "validation_data": {
      "systems": [
        "../data/validation"
      ],
      "batch_size": 4,
      "numb_btch": 3
    },
    "numb_steps": 3000,
    "seed": 584003,
    "disp_file": "lcurve.out",
    "disp_freq": 100,
    "save_freq": 1000,
    "save_ckpt": "model"
  }
}

拟合类型与损失均为 population，标签文件是 atomic_population.npy，而不是分子级的两个属性。使用 se_e2_a、3 Å截止、双精度、[8,16]嵌入网络和[16,16]拟合网络，批量4帧。

loss_func=smooth_mae 同时关注逐原子布居、α−β布居差、分子总自旋布居，以及α和β电子总数。相关原生权重包括 start_pref_pop、start_pref_spin、start_pref_spin_total、start_pref_pop_alpha_total 和 start_pref_pop_beta_total，以及相应 limit_pref_...；当前配置使用这些项的默认权重1。

作业内执行 dp --pt train input.json --init-model ../initializers/p100.pt，之后 dp --pt freeze -c model.pt -o frozen_model.pth。V100目录使用对应的起始文件。当前版本的 dp test 没有这类模型的测试器，资料包直接用原生 DeepPopulation 读取并比较实际输出，不需要制造能量/力标签。

学习曲线直接来自 lcurve.out。上面是逐原子布居原生MAE；下面是α、β总布居损失，两条重叠。闭壳层自旋项保持为零，没有用人为小数替代零值在对数轴上作图。

环境为DeePMD-kit3.2.0、PyTorch2.12.0、GCC13.3、CUDA12.9，加载 deepmd-kit/3.2.0；NumPy与Matplotlib使用ASE3.29.0环境。量化数据来自此前真实Gaussian16 C.01 AVX计算。继续电荷和自旋布居分析。

本次逐原子两通道布居RMSE约0.00307个电子，换算的Mulliken电荷RMSE约0.00614 e。测试帧来自4个原始几何的三种姿态，图中每个原始结构只取一种姿态，避免把姿态重复当成更多独立数据。