DeePMD与DPA实操教程

本专题用鸢算科技集群的真实DFT标签，演示从数据到模型的操作。先学会检查输入、训练和读取误差，再扩展到自己的体系；附件中的小网络只用于教学。

下载结构、标签、完整JSON、冻结模型、参考结果和脚本。解压到自己的工作目录，以下命令从附件根目录开始。预处理可交互操作；训练、批量预测和MD在申请的计算资源内运行。所有新结果进入work，不覆盖reference。

按顺序完成#

1. 准备结构与标签
2. 训练、冻结和测试
3. 选择描述符与网络
4. 续训与微调
5. 检查能量力和virial误差
6. 压缩与模型格式
7. ASE短MD与压力约定
8. GPUMDkit预测DPA

使用什么版本#

module load deepmd-kit/3.2.0
dp --version
dp --pt train --help

当前模块为独立源码构建的DeePMD-kit3.2.0，提供PyTorch和TensorFlow后端；本例PyTorch2.12.0/CUDA12.9、TensorFlow2.21.0，双精度，在P100执行。直接加载模块，不需要自行编译。这里不把不同后端分别训练的两个模型称作同权重对照。

本例能说明什么#

9个Si₂自洽单点按位移幅度族分成6训练、3留出；留出未参与梯度更新，但训练时监测，不能再当作完全未见的最终测试集。水只有1个H₂O自洽单点，用于检查元素映射和单位，没有训练水势。

11次小训练包含DPA1初训/续训/微调、7组其他PyTorch描述符及1次TensorFlow训练；另有16原子10fs的ASE接口轨迹。小数据覆盖一个光学位移分支，不能验证温度、相变、缺陷、表面或其他化学组成的泛化。

官方训练说明用于查询概念与参数；集群操作和实际结果以本文附件为例。