DP-GEN训练、探索与再训练

下载完整输入、教学模型、实算数据和操作脚本（ZIP）。先完成数据准备，再从下载包根目录开始。请为完整流程预留自己的共享存储目录和计算额度。

1 准备授权赝势和工作目录#

bash prepare.sh
cat work/loop/param.json
cat work/loop/machine.json

prepare.sh 使用已部署VASPKIT 1.5.1的103入口生成授权Si POTCAR，并确认其与附件标签使用的赝势一致。POTCAR保存在自己的 private-pp/，不随下载包分发。如果赝势不匹配，应准备与自身标签一致的数据，不能为了跳过提示改校验值。

param.json 定义科学参数；machine.json 定义Slurm和各软件启动方式。模板里的 __ROOT__ 会被替换为当前解压目录。工作目录已存在时不要重复准备或覆盖，续算用原来的 workflow.sh。

2 启动完整循环#

bash workflow.sh

保持控制器会话运行，可在另一SSH窗口查看：

bash status.sh
cat work/loop/record.dpgen

原生目录按阶段产生：

work/loop/
  iter.000000/
    00.train/       四个独立模型
    01.model_devi/  四个温压条件的MD与偏差
    02.fp/          候选结构、DFT输入和新标签
  iter.000001/
    00.train/       加入新标签后的四个模型
  record.dpgen     已完成阶段记录

本例每个模型各占一张GPU，四个模型是独立训练任务；没有把四张卡合成一个模型的分布式训练。MD、DFT也各自提交单卡任务。实际是否立即并发由队列空闲资源决定。

3 四个模型怎么训练#

{
  "numb_models": 4,
  "train_backend": "tensorflow",
  "model_format": "pb",
  "model": {
    "type_map": ["Si"],
    "descriptor": {
      "type": "se_e2_a", "sel": [64],
      "rcut_smth": 0.5, "rcut": 4.5,
      "neuron": [8, 16, 32], "axis_neuron": 4,
      "precision": "float64"
    },
    "fitting_net": {"neuron": [32, 32, 32], "precision": "float64"}
  },
  "training": {"numb_steps": 1000, "disp_freq": 100, "save_freq": 1000}
}

上面是阅读用参数摘要，完整层级在 configs/param.json 的 default_training_param，不要把摘要直接覆盖完整文件。四个模型使用相同32帧训练数据和不同随机初始化，8帧验证数据用于监测，8帧测试独立保存。

cat work/loop/iter.000000/00.train/000/input.json
tail work/loop/iter.000000/00.train/000/lcurve.out
ls work/loop/iter.000000/00.train/graph.*.pb

训练损失同时含能量、力和virial。本例能量权重0.02→1，力1000→1，virial 0.02→0.1；1000步仅为短流程演示，不能作为任何材料的通用训练长度。

4 在哪些条件下探索#

{
  "model_devi_dt": 0.001,
  "model_devi_jobs": [{
    "sys_idx": [0], "temps": [300, 600], "press": [0, 10000],
    "trj_freq": 5, "nsteps": 50, "ensemble": "npt",
    "taut": 0.1, "taup": 0.5
  }]
}

metal 单位下时间为ps，0.001 ps=1 fs；50步只有50 fs。压力为bar，10000 bar=1 GPa。两个温度乘两个压力共四个任务，含第0步各存11帧，共44帧。

目标温度、压力只是控制参数，不能当成已经达到的物理状态。本例原始模型在一条轨迹中体积从150.71增至326.50 ų，初始压力约34.66 GPa；这说明它还不适合NPT物性研究。更多训练和应力数据应在开展生产模拟前补齐，并用独立结构检查。

5 候选标注后发生什么#

本次44帧按给定偏差阈值分出43个候选、1个超过上限、0个低偏差。程序从候选中选四帧做VASP单点，然后把四个新标签加入下一轮训练：32→36个训练构型；验证和测试不扩充、不混入训练。

ls work/loop/iter.000000/02.fp
find work/loop/iter.000000/02.fp -name energy.npy
tail work/loop/iter.000001/00.train/000/lcurve.out

原模型0的测试能量RMSE约125.27 meV/atom、力0.2440 eV/Å；加入四个标签后约77.12 meV/atom和0.2025 eV/Å。模型3的两项误差却变差。主动学习的一次迭代不保证所有模型、所有指标单调改善，应同时检查所有模型与测试指标。

本例只配置了一轮MD探索，随后再训练即停止。这是配置的流程结束，不能表述为模型收敛。扩大体系、温压范围或组分时，应重新制定探索与独立测试计划。参数手册解释了各阶段参数。