PLUMED最近代表点：距离矩阵与Voronoi分类

已经有几个代表构型或代表特征时，可以把新观测分配给距离最近的代表点。本例用DISSIMILARITIES生成3×2距离矩阵，再用VORONOI得到归属矩阵。它演示固定代表点分类，不会训练或自动寻找最佳聚类中心。

1. 下载与实际结果#

下载PLUMED矩阵与分类资料包，保存为example.zip：

python3 -m zipfile -e example.zip .
cd plumed-matrix-covariance
bash results.sh
bash read.sh
bash plot.sh

这几条命令先读取随包保存的真实计算结果。CSV在data/，图片在figures/，完整输入和原生输出分别在inputs/与reference-results/。

32帧中共有96个观测：64个归到代表点1，32个归到代表点2。两个代表点确实不同，距离和归属不是用同一矩阵自比较得到的恒等结果。

2. 输入#

cat inputs/two-representatives/plumed.dat

UNITS LENGTH=nm ENERGY=kj/mol TIME=ps
r: DISTANCE ATOMS=1,2 NOPBC
s: DISTANCE ATOMS=1,3 NOPBC
t: DISTANCE ATOMS=1,4 NOPBC
v: CONCATENATE ARG=r,s,t
v2: CUSTOM ARG=v FUNC=x+0.1 PERIODIC=NO
v3: CUSTOM ARG=v FUNC=x*x PERIODIC=NO
features: VSTACK ARG=v,v2,v3
representatives: CONSTANT NROWS=3 NCOLS=2 VALUES=0.2,0.42,0.3,0.52,0.05,0.18
dis: DISSIMILARITIES ARG=features,representatives
vor: VORONOI ARG=dis
DUMPVECTOR ARG=dis STRIDE=1 FILE=distances.dat FMT=%.14g PRINT_ONE_FILE
DUMPVECTOR ARG=vor STRIDE=1 FILE=assignments.dat FMT=%.14g PRINT_ONE_FILE

features的三行对应三个观测，每行三个特征。representatives按列存放两个代表向量：(0.2,0.3,0.05)和(0.42,0.52,0.18)。本例DISSIMILARITIES输出欧氏距离，VORONOI每行最近位置为1，其余为0。

3. 运行与提取#

本例使用CP2K配套的PLUMED 2.10.1 CPU程序。CP2K为Intel oneAPI 2024.2 / Intel MPI构建；这里运行的是独立PLUMED driver，无需调用CP2K或GPU。脚本设置单线程，分析使用NumPy与Matplotlib。

source /etc/profile.d/lmod.sh
module purge
module load cp2k/2026.2-8173m
export LD_LIBRARY_PATH=/public/software/cp2k/deps/2026.2/8173m/plumed-2.10.1/lib:${LD_LIBRARY_PATH:-}

想复跑三组坐标后处理，在一个新解压目录中执行：

sbatch run.slurm

任务完成后：

bash read.sh work analysis-new
bash plot.sh analysis-new figures-new work

提交脚本按CPU整节点规则申请56核，程序实际单线程。没有CPU资源时，仍可读取随包结果，不要把计算命令直接搬到登录节点。

head reference-results/two-representatives/distances.dat
head reference-results/two-representatives/assignments.dat
head data/PLUMED-nearest-representatives.csv

distances.dat的dis.1、dis.2是到两个代表点的距离；parameter是观测行号。assignments.dat的vor.1、vor.2给出相应归属。

本例距离和独立欧氏距离最大差约4.9×10⁻¹⁵，96个观测的最近代表点一致。用于自己的数据时，各特征量纲和尺度必须先处理好；否则数值较大的特征会主导距离。代表点选择与分类科学含义仍需由具体研究问题确定。

参见PLUMED 2.10 DISSIMILARITIES。