PFD-kit上手：微调、蒸馏与模型交付

下载输入、五个参考模型、真实数据与短命令脚本（ZIP）。本专题分为六篇：本篇上手 → 数据与标签 → 微调 → 蒸馏 → 误差与模型选择 → 查询、取回与续接。

1 最后能得到什么#

PFD把已有原子势、结构探索、补标和训练衔接起来。本例首先用已有模型探索Si构型，挑选四帧交给VASP，得到新的能量、力和virial标签，再微调注意力模型。随后用微调教师模型产生标签，训练体积更小的SE学生模型。

微调使用真实DFT标签；蒸馏使用教师预测标签。学生学会教师不等于超过教师的DFT准确性，最后仍需独立DFT对照。

本包初始注意力势由我们在32个Si2/Si8构型上训练产生，是用于学习的小模型。它没有覆盖多组分、缺陷、熔化等生产范围，也不是随软件安装就自带的通用大模型。

2 先查看结果#

unzip pfd-practical-wave265-*.zip
cd pfd-practical-wave265
bash run.sh

重画六张PNG、六张CSV，不提交计算。参考数据始终放在最外层，自己新算的结果放在work。

ls figures
cat analysis/PFD-independent.csv
cat analysis/PFD-selected.csv

3 自己完整运行#

首次在新目录执行：

bash prepare.sh
bash calculate.sh
bash status.sh

prepare建立自己的work，并用VASPKIT 1.5.1的103任务生成与标签一致的授权Si赝势；附件不含POTCAR。calculate通过Slurm申请一张P100，依次完成微调与蒸馏，每阶段都是真实计算。不要直接运行work里的内部执行脚本，也不要在已经提交后删除记录再提交。

流程是：32个原训练结构 + 初始注意力势 → 两温度各0.1 ps探索 → 熵选样四帧 → 四次VASP单点 → 三帧加入训练、一帧内部检查 → 微调2000步 → 教师预测原32个训练几何与12个新候选 → 学生训练16000步。

两阶段结束后：

bash status.sh
bash evaluate.sh
cat work/OWN-MODEL-ERRORS.json

微调势在 work/final-finetune/model/，学生势在 work/final-distill/model/；各目录下包含训练器实际导出的frozen_model.pb。内部目录层次按原生输出保留，使用find可以查看：

find work/final-finetune/model -name '*.pb'
find work/final-distill/model -name '*.pb'

4 版本和运行位置#

本例使用集群PFD-kit 0.10.13、DeePMD-kit 3.2.0 TensorFlow路线、Python 3.12；VASP 6.6.1采用NVHPC 25.3/MKL 2023.2环境。阶段脚本分别装载匹配环境。 PFD本地debug模式会实际训练、跑MD和计算标签；本包将它放在Slurm计算节点中执行。一个作业使用一张GPU，不表示多卡训练或已搭建云工作流服务。

module show pfd-kit/0.10.13
module show vasp/6.6.1-p100

程序到达max_iter=1表示本教学任务按预算结束。参考微调和蒸馏的内部力误差都没有达到0.05 eV/Å的生产收敛目标；模型能否使用要继续看独立测试、目标状态覆盖和轨迹表现。