DPDispatcher作业数组：一次提交多个计算

同一组输入需要计算多个结构、参数或距离时，可以把它们交给Slurm作业数组。本篇用三个两原子Lennard–Jones条件展示真实流程：生成任务 → 提交一个数组 → 两个数组子任务完成三个计算 → 取回能量和力 → 汇总画图。P100和V100 16G均有实际结果。

下载完整运行程序、真实CSV、全部后端模板与高清图

1. 用短命令运行#

下载并保存为dispatcher.zip：

unzip dispatcher.zip
cd dpdispatcher-backends-arrays-wave268
bash run.sh

run.sh先生成本地后端模板，再通过当前普通账号分别提交P100和V100 16G数组，最后分析和画图。需要相应GPU资源使用权限。只运行P100时，在新解压目录执行：

source /etc/profile
module load dpgen/0.14.0
python worker_arrays.py p100

V100条件把最后一个参数换成v100，此例使用16G设备。计算在Slurm分配的资源内运行，控制程序负责提交和取回。每次实际提交前都会重新核对本例的节点排除条件，资源成员发生变化时需要重新核对配置。

已有p100/、v100/时程序不会覆盖。再次完整运行请另外解压；已有结果只需重新分析或绘图。无需重算也能查看reference/中的CSV和原图。

2. 三个参数分别控制什么#

本例核心资源设置：

resources = Resources(
    number_node=1,
    cpu_per_node=1,
    gpu_per_node=1,
    queue_name='gpu-8p100-hs',
    group_size=0,
    para_deg=1,
    slurm_job_size=2,
    custom_gpu_line='#SBATCH --gres=gpu:p100-16g:1',
)

实际完整程序还设置节点选择、模块、时限、环境变量和输出文件，均在worker_arrays.py中。

当两个数组子任务同时运行时，一共可能占用两张GPU。这里每个LAMMPS计算只用一张卡，不是一个计算联合两张卡。三个Task的分组如下，表格来自真实执行记录：

库会以固定随机种子安排任务分组，不能只按最初列表位置猜数组编号。更改任务数或分组后，应查看生成脚本与实际结果。

3. 实际计算输入#

实际运行LAMMPS 30Sep2026的GPU包，GCC/G++ 13.3、OpenMPI 5.0.10、CUDA 12.8，mixed精度；控制环境为DPGEN 0.14.0、Python 3.12、DPDispatcher 1.1.0。

三个距离为1.05、2^(1/6)、1.4，周期盒长20，epsilon=sigma=1，截断2.5，不做势能平移。下面是距离1.05时的完整真实输入；payload.py会据param.json自动生成对应输入：

package gpu 1
newton off
units lj
atom_style atomic
boundary p p p
region box block 0 20 0 20 0 20
create_box 1 box
create_atoms 1 single 9.475 10 10 units box
create_atoms 1 single 10.525 10 10 units box
mass 1 1
pair_style lj/cut/gpu 2.5
pair_coeff * * 1.0 1.0
neighbor .3 bin
thermo_style custom step atoms pe
thermo_modify norm no format float %.16g
run 0
write_dump all custom final.dump id type x y z fx fy fz modify sort id format float %.16g
print "$(pe:%.16g)" file energy.dat screen no

run 0计算当前坐标的能量和力，适合检查任务分发和输出，不是动力学。LJ单位是约化单位，表中能量用ε、距离用σ、力用ε/σ，不能直接标成eV或Å。

每个任务对象都声明自己的输入与待取回文件：

Task(
    command='srun --cpu-bind=cores python3 payload.py',
    task_work_path='task-0',
    forward_files=['payload.py', 'param.json'],
    backward_files=[
        'result.json', 'native.out', 'final.dump',
        'energy.dat', 'attempts.jsonl'
    ],
    outlog='task.stdout',
    errlog='task.stderr',
)

task_work_path应各不相同，避免不同参数覆盖彼此的文件。把payload.py换成自己的VASP、GPUMD、LAMMPS或其他程序时，也要同步修改输入清单、输出清单、模块与资源设置。

4. 怎样知道数组与计算都完成#

控制程序会等各Task完成并取回输出。另一个终端可以查看：

squeue -u "$USER"
cat p100/header.sh
cat p100/RESULTS.json

本例生成的数组范围是#SBATCH --array=0-1。RESULTS.json包括数组父作业编号、各Task对应的数组子任务，以及真实程序输出。squeue中看不到任务后，还需检查result.json、程序正常结束及计算本身的数值；排队结束并不代替科学结果检查。

cat p100/local/task-0/result.json
tail -n 15 p100/local/task-0/native.out
cat p100/local/task-0/energy.dat

5. 实际能量和力#

两个GPU平台在本例的输出一致。下面给出每个距离的实际值，完整数据在analysis/native-array-results.csv：

解析平衡距离处的力应为零；这里mixed精度真实输出保留了约4.33E-5的残差，没有改写成零。配套程序同时计算闭式LJ能量、力及独立能量差分，检查两个原子的力方向与大小。

这个小体系用来展示批量操作与结果整理，不反映GPU加速比、并行性能或真实材料性质。

6. 提取、画图与改成自己的批量任务#

已完成两个硬件条件后：

module load dpgen/0.14.0
python analyze.py
python plot.py

输出三张CSV：backend-support.csv列后端条件，array-mapping.csv列任务与数组对应关系，native-array-results.csv列真实能量和力；两张PNG位于figures/。分析和绘图会复用已有计算结果。

换成自己的多个结构时，先给每个结构独立目录和输入，再按任务长短设置group_size与slurm_job_size。短任务可归到同一数组子任务，较长任务可一Task一子任务；每个子任务的CPU/GPU/内存与时限都要满足其中的计算。故障恢复与文件取回参考恢复教程，全部后端的外部条件见后端选择。数组资源字段的定义见DPDispatcher官方资源文档。