DP-GEN结果归档与数据库JSON

计算结束后，如果希望把参数、结构组成和逐帧标签一起归档，可以使用dpgen db。本篇从鸢算科技已经完成的3条Si₂短AIMD中提取15个Entry对象，整个归档过程不重新运行VASP或训练模型。

1 下载并直接读取参考结果#

下载数据库实例包，保存为dpgen-database.zip。

python3 -m zipfile -e dpgen-database.zip .
cd dpgen-database
bash read.sh

参考JSON在reference/，read.sh无需POTCAR即可查看15条数据。使用DP-GEN0.14.0、Python3.12、现有dpdata与Monty依赖；纯Python读取和归档只需CPU。

2 看清输入与输出路径#

cat database.json

{
  "calculator": "vasp",
  "path": "job",
  "output": "Si2-database.json",
  "config_info_dict": {"Si": [0]},
  "id_prefix": "YS-Si2",
  "skip_init": false
}

本例读取job/init/Si-init/02.md/sys-0002/scale-1.000/下的3套MD输出，每套5帧。skip_init=false包含初始数据；id_prefix用于生成唯一Entry编号。收集多个项目时应使用不同前缀，不能只靠同名文件判断数据唯一性。原生命令按目录遍历顺序编号，换目录重新归档后，顺序及编号与具体帧的对应关系可能变化；匹配样本时应同时核对来源、坐标和标签，不只按行号。附件CSV与reference/中的参考JSON对应。

3 从原始结果重新归档#

bash run.sh

这一步在自己的目录准备匹配的授权Si POTCAR，然后执行：

module load dpgen/0.14.0
dpgen db database.json

原生输出保留为Si2-database.json，再由明确的元数据整理脚本另存Si2-database-normalized.json。两份JSON的15个Entry编号、结构组成、晶胞、坐标、能量、原子力与维里完全保持；只规范本例赝势的说明字段。

4 为什么要单独检查赝势元数据#

本次版本组合的原生DPPotcar读取路径，会把某些合法POTCAR第二行的价电子数字误当作symbols，并留下空的旧式hashs字段。因此不要直接用这个字段判断元素或恢复赝势。

附件normalize_metadata.py针对本例Si₂，从真实授权POTCAR的TITEL、实际结构组成与完整文件SHA256记录Si、PBE和来源。原JSON保留，规范后的attribute.potcar_provenance保存实际SHA256与原生字段说明；没有用SHA256冒充另一种header hash，也不改动任何科学标签。

自己的多元素计算应分别核对真实元素、赝势顺序和文件版本，不能直接把本例Si专用整理脚本复制到其他体系。数据库JSON只保存赝势说明，不包含完整授权POTCAR；不能靠JSON恢复许可文件。

5 在终端读取一帧#

source ./env.sh
python - <<'PYCODE'
import json
from monty.json import MontyDecoder
rows = json.load(open('reference/Si2-database-normalized.json'))
r = rows[0]
s = MontyDecoder().process_decoded(r['data'])
print(r['entry_id'], r['composition'])
print('总势能eV:', s['energies'][0])
print('力eV/Å:', s['forces'][0])
print('维里eV:', s['virials'][0])
print('本帧晶胞Å:', s['cells'][0])
PYCODE

实际有15条记录，每条含2个Si原子。data里的能量是总量，需比较每原子能量时再除以2；力单位eV/Å，维里eV，维里不是GPa压力。

6 输入结构与逐帧结构要分开看#

Entry的inputs.POSCAR表示这条MD任务的起始输入；同一条MD的五帧会共享这份起始参数。当前帧的坐标和晶胞在data里，不能拿固定起始晶胞替代每帧实际晶胞，也不能把第1帧的原子力配给第5帧结构。

这份归档的数据源是体相初始化实算，15帧仅为短流程示例，不是充分覆盖材料构型空间的生产训练集。

7 当前可用后端与后续处理#

当前0.14.0数据库命令实际使用VASP收集路径；源码中PWSCF与Gaussian数据库分支尚未实现。需要读取这两类输出时，使用dpdata电子结构输出或分子量化输出，再按自己的数据格式保存。

需要直接训练的数据目录时，另看DP-GEN数据收集与统计；JSON归档不会自动去重、重新划分训练/测试集或重新进行模型训练。

数值下载#

entries.csv。这些数值来自上述实际计算或逐帧归档，不额外启动计算。