NEP能量、力与virial联合训练

本篇接VASP标签转换，用实际Si16能量、力和virial训练NEP4，共14个参数/硬件对照。环境为GPUMD5.9.1（GCC13.3/CUDA12.9），P10016G和V10016G；分析用sisl0.16.4，辅助绘图用GPUMDkit1.5.8。下载实际数据、模型与脚本。

1. 先看参考，再提交自己的训练#

unzip gpumd-nep-virial-wave210.zip -d nep-Si
cd nep-Si
bash analysis.sh
python3 prepare_cases.py
python3 make_jobs.py
cd cases/p100-n20-v0p1
sbatch job.slurm

第一条分析命令查看包内真实模型，输出到analysis/与figures/；后续在cases/建立新工作区。每个作业单卡运行一个NEP进程，两个two-gpu目录是双卡对照。不要直接在登录节点运行nep。

2. 这次使用的完整nep.in#

version 4
type 1 Si
cutoff 5.5 4.0
n_max 4 4
basis_size 4 4
l_max 4 2 1
neuron 20
population 30
batch 13
lambda_e 1.0
lambda_f 1.0
lambda_v 0.1
seed 13579
generation 1000
output_interval 50

lambda_e、lambda_f、lambda_v控制三类误差在训练中的权重，不能理解为三种数据单位相同。训练数据有真实virial，才有讨论lambda_v的基础。batch 13对应13个训练构型，验证集6帧在原生test.xyz中。

同一平台单卡使用10/20神经元与λV=0/0.1/1交叉对照，共6组，再加一组20神经元、λV=0.1的双卡对照；两个GPU平台合计14组。每组1000代、固定种子13579、每50代输出。两条单卡20神经元、λV=0.1基线在训练前已指定用于最终独立测试；其他对照只比较训练/验证结果。

增加λV不保证所有指标同时改善，应按目标用途在验证集权衡。最终heldout不能反复用于挑选权重。

3. 查看三类输出，先分清单位#

在任务完成的目录中：

head training/energy_train.out
head training/force_train.out
head training/virial_train.out
head training/stress_train.out

六分量顺序为xx yy zz xy yz zx。输入virial是整胞eV，输出virial是eV/atom，比较时要乘除正确原子数。本例16原子，分析脚本将原始整胞标签除16后与原生输出比较，再由原晶胞体积换算应力。

图中的Train/Validation是训练时可见的两组，不能称为最终独立测试。

4. 用GPUMDkit直接画训练/验证图#

在解压根目录查看包内实际模型的原生输出：

module load gpumdkit/1.5.8
cd reference-data/p100-n20-v0p1/training
gpumdkit.sh -plt train_test save
ls train_test.png

分析自己新训练结果时，进入cases/p100-n20-v0p1/training执行相同命令。

这张图实际由GPUMDkit生成，图例里的Test对应原生test.xyz，在本流程中是验证集。它包含能量、力和应力散点；应力轴是GPa。不要把这张图作为独立heldout结果，后者见下一节。

5. 独立方向测试及完整汇总#

全部14组结束后，在解压根目录执行：

bash analysis.sh --new
head -n 5 analysis-new/model-metrics.csv
ls figures-new

自己的新结果写入analysis-new/、figures-new/。包内参考可随时用不带--new的命令查看；两种入口分开。

两条基线读的是相同6帧预留方向，力与virial的RMSE均按全部分量计算。GPU会影响浮点累积与优化轨迹；表中单次差异不用于判断硬件本身的模型精度。

本例只有25帧且固定体积，训练短，主要供操作参考。用于真实MD前，应补充所需体积、温度、形变、缺陷数据，并检查稳定性、目标物性和误差分布。

原生文件含义可对照GPUMD官方输出文件目录。更多数据处理见GPUMDkit专题。