GPUMDkit NEP 网络扩容与裁剪

下载输入、实际结果和绘图资料包。解压后进入资料包目录，inputs 是可修改输入，reference 是鸢算科技集群的参考结果。脚本每次在 work 下新建目录，结果位置写入 LAST-RUN.txt。计算请放在已分配的资源内执行。

从已有模型改变网络规模#

网络扩容用于增加可训练参数；裁剪用于减小网络。两者都需要检查配套优化器、重新训练策略与目标数据。不要把“文件可以导出”理解成“模型已经适用于新任务”。

本例使用模型检查与初始化中的同一 NEP4 PbTe 模型，原网络有 30 个神经元、3075 个总系数。先准备好配套输入：

module purge
module load gpumdkit/1.5.8
python init_optimizer.py

若已生成 model-input，继续使用它，不要重复初始化覆盖自己的文件。

1. 从 30 扩到 32 个神经元#

gpumdkit.sh -nep_modifier model-input/nep.txt \
  model-input/nep.restart model-input/nep.in

本例的菜单输入顺序：

1       扩容
1       选择神经元数量
32      目标神经元数
回车    接受本次菜单的默认初始化设置
y       确认修改
7       查看修改记录
8       导出
expand  新输出目录
y       确认导出
0       退出

请按实际提示逐项输入，解释文字不是要输入的字符。扩容后的原参数保留，新参数使用本次菜单显示的初始化设置；当前 Calorine 4.0 入口为新增神经元参数设置 sigma=0.01。

head -n 6 expand/nep_modified.txt
cat expand/nep_modified.changes.txt

本例得到 32 个神经元、3251 个模型总系数、3209 行 SNES 参数。原来的 42 个 q scaler 仍在模型文件中。

2. 从原模型裁到 28 个神经元#

退出后重新打开原来的 model-input，这样扩容和裁剪是两个独立对照：

gpumdkit.sh -nep_modifier model-input/nep.txt \
  model-input/nep.restart model-input/nep.in

输入：2 裁剪 → 1 神经元数量 → 28 → 回车接受本次初始化设置 → y 确认 → 7 记录 → 8 导出 → prune → y → 0。

head -n 6 prune/nep_modified.txt
cat prune/nep_modified.changes.txt

结果为 28 个神经元、2899 个模型总系数、2857 行 SNES 参数。

3. 实际对照告诉我们什么#

集群对同一个真实 PbTe 标签结构重新计算能量、原子力和应力：

本次扩容保持了这个已有结构上的输出；裁剪去掉参数后预测发生变化，结构总能量变化约 3.04387 eV。裁剪后的有限数值说明接口可运行，不代表仍有原来的预测精度。

完整对照由原生编辑命令和 Calorine CPU 预测完成：

bash run.sh models

输出目录中的 MODEL-MODIFIER-PUBLIC-VALIDATION.json 记录各模型的架构、系数数量和探针差值。models/augment-neurons/export 与 models/prune-neurons/export 保存成组文件。

4. 正式使用前继续做什么#

将导出模型、同组 nep.in 与 nep.restart 放到新的训练目录，再提供与任务相符的 train.xyz、test.xyz。检查学习误差、独立测试集及短 MD 稳定性；先确定自己的训练设置，再启动 nep。此篇只运行模型编辑与预测对照，不把编辑后的模型当作已经完成再训练。

菜单另有四体/五体项、高阶不变量及电荷输出头等选项；它们有各自模型与版本前提，不能仅凭本篇神经元示例假定所有组合都已验证。

高阶项与电荷头#

进一步实际操作见高阶描述符编辑和电荷模型输出头。其中包括删除原有四体项后重加维度的对照：参数数量恢复不等于原权重恢复。