GPUMDkit PyNEP抽样与数据集对比

想从一批相似结构里选出值得补充计算的构型，可以先比较NEP描述符，再做最远点抽样（FPS）。本例有16个PbTe候选结构、4个已有结构，每帧250原子；数据来自公开NEP示例，演示的是选结构，没有产生新的DFT标签。

新项目优先使用203 NepTrain抽样。本文帮助复现已有PyNEP流程：共享GPUMDkit1.5.8已提供PyNEP0.0.1，菜单202仍显示弃用提示，兼容命令-pynep可使用。这两个行为不矛盾。

1. 准备资料和环境#

下载输入、参考结果和绘图程序，解压进入资料包目录。以下每条run.py命令创建独立work/案例名，不会覆盖已有目录。

module load gpumdkit/1.5.8
gpumdkit.sh -doctor
python run.py --list
python run.py pynep-parallel-count

打开work/pynep-parallel-count，输入为：

描述符是模型对局部原子环境的表征；本入口先对每帧原子描述符取平均，再比较帧间距离。距离不是能量差，也不是误差估计，阈值不能跨模型直接照搬。PyNEP兼容分支不用于qNEP。

2. 按数量选4帧#

也可以复制输入后逐条运行，便于换自己的数据：

cp -r inputs/pynep-parallel-count my-fps
cd my-fps
gpumdkit.sh -pynep

依次输入：

candidates.xyz existing.xyz nep.txt 2
2
4 4

第一行末尾2是并行进程数；第二行选择按数量；4 4指定数量范围的下限和上限均为4。不要把进程数理解为选择的结构数。输出selected.xyz和select.png。

本例按选择顺序得到源候选的0起始索引 11、7、10、5，对应人习惯从1数的第12、8、11、6帧。原子坐标、晶胞、能量、force标签一同保留。不能只按排序重排坐标而把标签留在原位。

左图是平均描述符的二维PCA投影，圈出选中的4帧；FPS实际在完整描述符空间工作，不是在这张二维图上选点。右图显示逐次选中结构到已有/已选集合的最近距离。

3. 按距离选取#

回到资料包根目录：

python run.py pynep-parallel-distance

原生命令仍是gpumdkit.sh -pynep，输入改成：

candidates.xyz existing.xyz nep.txt 2
1
0.01

本例选出 11、7、10 三帧，第四帧的距离已低于0.01。得到的帧数取决于候选集、已有集、模型和阈值，不应先假定一定选出某个比例。

4. 串行旧脚本怎样运行#

兼容已有自动化脚本时，可以直接调用串行入口：

python run.py pynep-serial-count
python run.py pynep-serial-distance

对应原生命令是：

python "$GPUMDkit_path/Scripts/sample_structures/pynep_select_structs.py" \
  candidates.xyz existing.xyz nep.txt

随后输入2和4 4，或输入1和0.01。本例串行与2进程版本选择的帧及标签一致。并行任务完成顺序可能变化，但输出必须始终对应原始帧索引。

5. 比较两个数据集覆盖的环境#

补充脚本可以只看某一种元素周围的环境，本例选Pb：

python run.py des-compare-pca
python run.py des-compare-umap

逐条运行时：

python "$GPUMDkit_path/Scripts/plt_scripts/plt_descriptors_compare.py" \
  pca nep.txt Pb candidates.xyz existing.xyz
python "$GPUMDkit_path/Scripts/plt_scripts/plt_descriptors_compare.py" \
  umap nep.txt Pb candidates.xyz existing.xyz

两个命令都写descriptors.png，应放在不同目录。本脚本不要追加save，否则会把它当成另一个数据文件。脚本对合并后的描述符特征做标准化，UMAP使用固定随机种子42；它与前面的帧平均PyNEP图不是同一套投影坐标，不能把点的位置直接相减。

6. 选完结构后做什么#

1. 检查selected.xyz的元素、周期边界、近距离和晶胞。
2. 为新构型准备与原训练集一致的DFT计算设置。
3. 得到收敛的能量、力和所需virial标签后再追加训练数据。
4. 训练新模型，并用独立测试集检查误差与目标物性。

“离已有数据远”表示模型描述符空间中的覆盖差异，不能保证构型稳定、标签正确或重新训练后一定提高精度。本例旧数据本来已有标签，仅用于把工具操作完整跑通，不构成新的独立模型测试。

软件来源：PyNEP、GPUMDkit。更多抽样、扰动和拆分入口见抽样教程。