机器学习势与工作流
DeePMD-kit、DP-GEN、GPUMD、MACE和GPUMDkit的环境、训练与模拟工作流。
阅读本篇目录
各章节保留原指南中的版本、平台、操作示例与适用边界；章节日期不同，使用时按所列版本核对。全部软件分项
环境与使用说明#
5.3 DeePMD-kit#
增加GPU前，参阅逐软件多卡修改说明，同步核对资源、启动命令和输入限制。
各源码版本使用独立 Conda 环境，公共环境位置为 /public/toolkit/miniconda3/envs/<环境名>。
| 版本 | 环境名 | 后端 |
|---|---|---|
| 2.2.11 | deepmd-kit-2.2.11 |
TensorFlow |
| 3.0.0rc0 | deepmd-kit-3.0.0rc0 |
TensorFlow、PyTorch |
| 3.0.1 | deepmd-kit-3.0.1 |
TensorFlow、PyTorch |
| 3.1.3 | deepmd-kit-3.1.3 |
TensorFlow、PyTorch |
| 3.2.0 | deepmd-kit-3.2.0 |
TensorFlow、PyTorch |
DeePMD 编译方式与环境#
这些 *-source 部署包含两个层次：Python 包从所选 DeePMD 源码通过 pip 构建安装；C/C++ 接口另用 CMake 编译，供内置 DeePMD 的 LAMMPS 调用。TF/PT 是环境中已安装的后端依赖，不等于本次把 TensorFlow 和 PyTorch 自身也从源码编译了一遍。
| DeePMD | Python | C/C++ 编译器 | CUDA 构建工具链 | TensorFlow | PyTorch |
|---|---|---|---|---|---|
| 2.2.11 | 3.11.16 | GCC 12.2.0 | 12.2.2，nvcc 12.2.140 | 2.15.1 | 未安装 |
| 3.0.0rc0 | 3.11.16 | Conda GCC/G++ 13.4 | 12.6 | 2.19.1 | 2.6.0+cu126 |
| 3.0.1 | 3.11 系列 | Conda GCC/G++ 13.4 | 12.6 | 2.19.1 | 2.6.0+cu126 |
| 3.1.3 | 3.11.16 | Conda GCC/G++ 13.4 | 12.6 | 2.19.1 | 2.6.0+cu126 |
| 3.2.0 | 3.12.14 | GCC/G++ 13.3.0 | 12.9.86 | 2.21.0 | 2.12.0 |
表中 CUDA 是 DeePMD/C++ 扩展的构建工具链；Python 后端包可能自带 CUDA 运行依赖，不能用 nvidia-smi 顶部的版本替换本表。3.0 系列的 TF/PT 组合经过加载冲突复测后确定，用户不应在公共环境单独升级其中一个后端。
以 3.2.0 为例，Python 构建设置 DP_VARIANT=cuda、DP_ENABLE_TENSORFLOW=1、DP_ENABLE_PYTORCH=1、关闭 Paddle 和 native optimization；使用源码 pip 隔离构建。C/C++ 设置 BUILD_CPP_IF=ON、BUILD_PY_IF=OFF，启用 TF/PT，并通过 USE_TF_PYTHON_LIBS、USE_PT_PYTHON_LIBS 使用该环境中的后端库。C++17、Release、宿主 -march=haswell，生成 sm_60/sm_70 设备代码。
3.2.0 的 TF 外部 protobuf/abseil 链接与 LAMMPS KOKKOS 兼容调整有专门记录；不能把普通 pip install . 视为同时完成 C/C++、PLUMED 和 LAMMPS 的安装。各版本的 API、构建变量和兼容补丁也不应互相照搬。
Python 环境不安装 jax/jaxlib 或 Paddle；3.2.0 允许上游自动编译的 C++ JAX 接口，因此“无 JAX Python 包”不等于所有库中都不存在 JAX 接口符号。
构建来源：2.2.11、3.0.0rc0、3.0.1、3.1.3、3.2.0。
训练脚本位于 /public/slurm_scripts/{hs_user,tc_user}/deepmd-kit，选择相应 *-source 目录。按脚本说明选择后端和输入文件，不把不同版本的命令参数直接混用。
3.1.3 的原版 PyTorch 训练入口需要可见 GPU，不作为已支持的 CPU 训练入口使用。不要在登录节点直接调用该训练入口进行试跑。
旧 /public/software/deepmd-kit/3.2.0-cuda12.9 与当前 3.2.0-source 是不同部署，路径和运行环境不能混用。版本限制及依赖见 DeePMD 部署索引。
已保留的离线 DeePMD 部署#
| DeePMD版本 | 部署方式 | 独立前缀 | 配套环境 |
|---|---|---|---|
| 3.2.0 | 官方离线包 | /public/software/deepmd-kit/3.2.0-cuda12.9 |
Python3.12、TF2.21.0、PT2.12.0/CUDA12.9、JAX/JAXlib0.10.2、环境内Open MPI5.0.10 |
这是仍存在的旧公共安装，与上表deepmd-kit-3.2.0源码环境分开。可使用conda activate /public/software/deepmd-kit/3.2.0-cuda12.9选中前缀；不要将其lib混入新源码环境。其普通TF导入存在与JAX相关的重复flag冲突，记录中的进程内隔离不能视为共享环境已永久修复。新任务优先采用上文已交付的源码环境及相应脚本。
离线包自带LAMMPS 22Jul2025 Update5、KOKKOS4.6.2/double，无GPU package，通过插件提供DeePMD；与另编的Update6四套程序不同。安装包编译器/完整优化参数未归档，不根据CUDA版本推断。依据：离线安装与验证记录。
DeePMD：训练入口与目录#
以 3.2.0 源码环境、核时用户 P100 为例，先准备 input.json 和其中引用的数据集：
cp -i /public/slurm_scripts/hs_user/deepmd-kit/3.2.0-source/p100/sub_deepmd_p100.sh .
# 二选一提交，不要在同一目录同时运行两条
sbatch sub_deepmd_p100.sh -pt input.json
# sbatch sub_deepmd_p100.sh -tf input.json
该脚本默认选择 PyTorch，也接受显式 -pt、-tf；当前模板限制单节点、单 GPU、单 task。不能通过只增加 gres 将它变成多卡分布式训练脚本。2.2.11 只有 TensorFlow，不能照抄上述 PyTorch 用法。
| 阶段 | 用户需检查的内容 |
|---|---|
| 数据准备 | 原子类型映射、坐标/盒子/能量/力等数据及单位是否一致 |
| 训练输入 | 输入格式与软件版本、后端、描述符和数据路径匹配 |
| 训练过程 | 日志、损失曲线、检查点是否持续更新；有无 NaN 或异常退出 |
| 模型导出 | 用同版本、同后端处理训练检查点，记录导出命令 |
| 模型测试 | 使用独立测试数据，对比能量、力，必要时检查应力 |
| LAMMPS 使用 | 模型格式、类型映射与对应 C/C++ 构建匹配 |
训练完成、freeze 成功和模型适合目标模拟是三个不同检查。不要只看训练损失下降就跳过独立测试；也不要只把模型文件改后缀，当成 TF/PT 格式转换。
需要查看命令用法时，在对应环境中执行帮助命令；实际训练和批量推理仍提交计算节点：
source /public/toolkit/miniconda3/etc/profile.d/conda.sh
conda activate deepmd-kit-3.2.0
dp --version
dp --pt freeze --help
dp --pt test --help
5.5 DP-GEN#
增加GPU前，参阅逐软件多卡修改说明，同步核对资源、启动命令和输入限制。
DP-GEN 0.13.3 使用独立环境 /public/toolkit/miniconda3/envs/dpgen。主控、训练、LAMMPS 探索与 VASP 标注分别使用对应环境。
module load dpgen/0.13.3
配套工作流目录位于 /public/slurm_scripts/{hs_user,tc_user}/dpgen。每套目录包含配置程序、主控脚本与辅助启动器，使用时复制并阅读整套目录的 README，不要只复制其中一个 run.sh。
yskit 菜单 (1) 复制 Slurm 脚本 可复制独立提交脚本；在其软件列表选择 DP-GEN，按所选版本和节点生成完整工作流。也可完整复制已有公共工作流目录，先读其README；轻量主控在login01运行，训练、探索和标注由Slurm提交到计算节点。
新模板已做配置和组件检查，不代表每一种节点组合都完成了完整生产流程。详情见 DP-GEN 记录。
使用 yskit 配置新的 DP-GEN 工作流#
在最终工作目录运行 yskit dpgen，或选择 (1) 复制 Slurm 脚本 → 用户类型 → DP-GEN；从复制菜单进入会沿用用户类型，直接执行 yskit dpgen 时再选择用户类型。按编号选择核时/套餐用户、DeePMD版本与TF/PT后端、训练节点、配套LAMMPS版本与探索节点、GPU/KOKKOS构建及卡数、VASP版本/功能类型与标注节点、标注卡数；最后预览并生成。0返回上一级，q退出。节点选项表示节点类型及对应分区，由Slurm分配具体主机。VASP功能仅列当前版本实际安装的普通、VTST、optcell、sol等构建，不自动决定科学输入。
| DeePMD源码版本 | 配套LAMMPS版本 | 可选后端 |
|---|---|---|
| 2.2.11 | 2Aug2023 Update 4 | TensorFlow |
| 3.0.0rc0 | 29Aug2024 Update 4 | TensorFlow、PyTorch |
| 3.0.1 | 29Aug2024 Update 4 | TensorFlow、PyTorch |
| 3.1.3 | 22Jul2025 Update 6 | TensorFlow、PyTorch |
| 3.2.0 | 22Jul2025 Update 6 | TensorFlow、PyTorch |
LAMMPS只列编入所选源码DeePMD版本的构建，配套PLUMED由其公共module加载。训练与探索可选不同GPU节点类型；CPU训练也可选8173m。VASP各版本/功能按实际节点构建选择。hs的V100选项为16GB，tc为32GB。
生成 machine.json、yskit-dpgen.json、configure.py、run.sh、README.dpgen.md 和三个阶段的 launchers。准备自己的完整param.json、初始数据/结构、INCAR和POTCAR后：
python3 configure.py
python3 configure.py --check
bash run.sh
configure.py只设置所选 train_backend 并检查配置，修改param.json前保留字节一致的原文件备份；要求fp_style=vasp，不代填训练、探索、标注的科学参数。生成操作本身不提交，run.sh在login01作为主控运行，三个计算阶段由DPDispatcher提交Slurm；不要对run.sh执行sbatch。各阶段单独加载其软件module，主控仍使用独立DP-GEN环境。
| 阶段 | 节点 | 每任务资源 |
|---|---|---|
| 训练 | P100/V100 | 单卡、1进程、2CPU线程 |
| 训练 | 8173m | 1进程、56CPU线程，整节点 |
| 探索 | P100/V100 | 可选1至8卡，每GPU 1MPI×2CPU线程 |
| VASP标注 | P100/V100 | 可选1至8卡，每GPU 1MPI×1CPU线程 |
| VASP标注 | 8173m | 56MPI×1CPU线程，整节点 |
训练 group_size=4、para_deg=1 表示四个模型任务在同一作业串行执行，不是申请四卡；当前启动器不提供分布式多GPU训练。探索使用普通deepmd势，KOKKOS构建不自动添加deepmd/kk或经典势加速参数。后续增加探索/标注GPU时，同步修改machine.json的cpu_per_node、gpu_per_node、custom_gpu_line数量，保持每GPU一个MPI进程；每进程线程数由custom_flags中的cpus-per-task指定，配置检查会核对数量。CPU8173m固定全56核。
已有同名文件、launchers或DP-GEN运行状态的目录拒绝重新生成。生成配置使用当前目录绝对路径，生成后不移动；已有运行状态不切换后端。主控加锁防重复启动，退出主控不会取消已提交子作业。验收包含18项测试、108项真实DP-GEN/DPDispatcher离线脚本生成、login01普通用户两套完整交互/配置与9次阶段环境加载；未提交科学作业，用户首次使用仍应验收完整小规模流程。
DP-GEN 安装方式与环境#
DP-GEN 0.13.3 使用 Python 3.12 的独立 Conda 环境，Conda 环境通过镜像创建，程序由 pip 安装，不是 Intel/NVHPC 编译的 MPI 程序。模块只选择该 Python 环境的入口，不应为主控加载训练用的所有 CUDA/MPI 库。
归档安装依赖包含 dpdispatcher 1.1.0、dpdata 1.1.0、NumPy 2.5.3、ASE 3.29.0 等；这是安装记录快照。训练、探索、标注的编译器与加速能力分别来自 DeePMD、LAMMPS、VASP，不能将这些能力归到 DP-GEN 主控自身。
来源：DP-GEN 安装记录。
DP-GEN：首次运行前核对#
DP-GEN 需要一整套工作流，而不是只有 Slurm 文件。复制所选模板目录后，先读 README，再逐项核对：
- 训练使用哪个 DeePMD 版本和后端，模型输出是否适配探索用的 LAMMPS。
- 探索使用 P100 还是 V100、GPU 包还是 KOKKOS，输入与启动器是否对应。
- 标注使用哪个 VASP 功能分支、CPU/GPU 程序及用户可用分区。
- 工作目录、初始结构、赝势和数据路径是否属于当前用户且可读写。
- 单任务资源、并发数量和每轮任务规模是否符合账户配额。
先完成小规模的一轮训练—探索—标注连通性检查，再扩大采样规模。主控退出不代表队列中的所有子任务都已停止；排障或续跑时同时检查主控记录与 Slurm 作业，避免重复产生子任务。
5.10 GPUMD#
增加GPU前，参阅逐软件多卡修改说明，同步核对资源、启动命令和输入限制。
GPUMD 5.8.1 从官方固定tag源码构建，提供分子动力学程序gpumd、神经演化势训练/预测程序nep和梯度训练程序gnep。上游程序显示5.8是发布说明中的既定行为，安装版本仍为5.8.1。
| 版本 | 平台 | 编译器 | CUDA及架构 | 构建方式 | 安装路径 |
|---|---|---|---|---|---|
| 5.8.1 | P100 | GCC/G++13.3.0 | CUDA12.9.86；sm_60 | 上游Make、C++14、-O3 | /public/software/gpumd/5.8.1/p100 |
| 5.8.1 | V100 | GCC/G++13.3.0 | CUDA12.9.86；sm_70 | 上游Make、C++14、-O3 | /public/software/gpumd/5.8.1/v100 |
每套均编译gpumd/nep/gnep，无额外fast-math。使用CUDA的cuBLAS/cuSOLVER/cuFFT，不依赖NVHPC、MKL或MPI，不需要激活Conda。P100/V100不能使用CUDA13构建，本次显式固定CUDA12.9。V100目标在空闲P100主机交叉编译sm70，主机代码不使用native指令优化。
功能开启USE_PLUMED、USE_NETCDF。专用PLUMED2.10.1位于/public/software/gpumd/deps/plumed/2.10.1/gcc-13.3，GCC13.3、无MPI、启用OpenMP，包含opes/ves/funnel，不含pytorch/libtorch；使用系统GSL及zlib，未链接外部LAPACK/FFTW。NetCDF-C4.10.1位于/public/software/gpumd/deps/netcdf-c/4.10.1/gcc-13.3，支持普通轨迹输出，不含NetCDF4/HDF5压缩、DAP及NCZarr。未启用DeePMD和NNAP接口。
程序保留上游精度设计，NEP包含float参数/中间量以及double位置/能量/力接口，不是统一全单精度或全双精度构建。轨迹文件的输出精度单独通过输入指定，例如：
dump_netcdf 100 trajectory.nc velocity force potential precision double
不指定时坐标等默认单精度输出；普通NetCDF文件的64-bit offset指文件布局，并不表示其变量全是双精度。当前构建不接受需要HDF5的压缩模式。
module load gpumd/5.8.1-p100
# V100使用：module load gpumd/5.8.1-v100
模块通过env.sh设置PLUMED和NetCDF运行库，并设置GPUMD_SRC和CUDACXX。新版NEP训练会用nvcc即时编译专用内核，所需源码随程序保留在share/gpumd/src；它是运行依赖，不能当作编译残留删除。临时编译目录位于TMPDIR或/tmp，遵循上游自动清理行为，首次启动的编译时间不能算作每代训练耗时。
提交脚本位于/public/slurm_scripts/{hs_user,tc_user}/gpumd/5.8.1/{p100,v100}/，每个平台分别提供sub_gpumd_5.8.1_<平台>.sh、sub_nep_5.8.1_<平台>.sh、sub_gnep_5.8.1_<平台>.sh，yskit可复制。默认单节点、单进程、1GPU和2CPU线程。MD准备run.in/model.xyz/势文件；训练准备nep.in或gnep.in及数据集。每个任务独立目录运行，不能让多个任务共用输出文件。
GPUMD不是MPI程序，不加mpirun，也不因增加GPU而增加ntasks。支持的NEP势可在单进程中使用Slurm分配的多张GPU，不覆盖CUDA_VISIBLE_DEVICES。多GPU NEP要求分区方向长度足够，每卡至少约5倍截断半径；过小的盒子会被程序拒绝。其他周期方向也有尺寸要求。DFT-D3等组合并非全部支持多卡。nep多卡分配种群候选，但训练数据会复制到各卡；gnep按完整构型分配，global batch限制有效GPU数。
验收状态：P100已通过，V100数值验收排队中（Slurm818）。P100通过8000原子MD、普通NetCDF输出、PLUMED偏置单/双卡、NEP运行时专用内核训练与预测、GNEP短训练，并完成16000原子MD单/双/四卡。短训练只验证功能，不代表势质量。16000原子1000步总墙钟约3.69/3.76/4.61秒，该规模没有多卡加速收益，不应机械增加GPU。实际验收覆盖、运行日志和更新状态见GPUMD构建记录。
5.13 MACE#
MACE用于机器学习原子势训练、预训练势微调及ASE推理/分子动力学，Python包名为mace-torch。
| 版本 | 平台 | 环境路径 | 验收情况 |
|---|---|---|---|
| 0.3.16 | 8173m CPU | /public/toolkit/miniconda3/envs/mace-0.3.16 |
Slurm870完成，推理/训练/恢复通过 |
| 0.3.16 | P100 | 同上 | gcn002-8p100单卡及双卡DDP通过 |
| 0.3.16 | V100 | 同上 | gcn001-8v100-32g单卡及双卡DDP通过；16GB型号未单独验收 |
构建环境与精度#
固定v0.3.16源码经setuptools构建wheel；Python3.11.16、PyTorch2.8.0+cu126、e3nn0.4.4、NumPy2.3.5、ASE3.29.0。PyTorch使用官方CUDA12.6轮子，实际包含P100/V100所需sm60/sm70；CUDA运行库12.6.77、cuDNN9.10.2.21、NCCL2.27.3来自该独立环境，不需要加载oneAPI/NVHPC或系统CUDA模块。
同一环境支持float64和float32，训练配置用default_dtype选择，ASE calculator用同名参数；默认示例float64。不默认启用AMP、cuEquivariance、OpenEquivariance或torch.compile优化。没有安装MACE-LAMMPS接口，不会改变现有DeePMD/PFD/VASP/LAMMPS。
环境、模型与示例#
module load mace/0.3.16
cp /public/software/mace/0.3.16/cluster-examples/run_mace.py .
yskit
通过yskit选择MACE的对应平台run脚本，sbatch提交；脚本默认运行run_mace.py，也接受第一个参数作为Python文件路径。Si示例通过ASE计算能量与力，实际体系需修改结构和模型。不要在登录节点直接运行正式计算。
公共模型/public/software/mace/models/mace-mpa-0-medium.model为MACE-MPA-0 medium材料模型，MIT，记录了来源和SHA256。它不是所有体系通用的默认势；用户可在示例中设置MACE_MODEL为自有模型完整路径，MACE_DTYPE=float32切换示例精度。公共目录只供读取，个人结果和缓存写在个人目录。
训练、微调与GPU数量#
模板位于/public/slurm_scripts/{hs_user,tc_user}/mace/0.3.16/{8173m,p100,v100}/，每个平台有run与train两类。训练先复制/public/software/mace/0.3.16/cluster-examples/train.yml，准备带能量/力标签的train.xyz、valid.xyz，调整模型、截断半径、能量基准及批大小。train脚本默认读取train.yml，也可传入其他配置路径。
- GPU训练：
--ntasks=1为启动任务，torchrun按SLURM_GPUS_ON_NODE自动创建每GPU一个worker。将--gres末尾数量改为2/4/8会改变worker数；保持ntasks=1，建议CPU总数不少于GPU数。模板默认8个CPU，线程按CPU总数除以GPU数分配。当前仅1/2卡验收通过，不承诺4/8卡加速比。 - ASE运行：单进程单GPU，多申请GPU不会自动加速同一条轨迹；多轨迹可分别提交或使用作业数组。
- CPU运行/训练：单进程56线程，OMP/MKL/OpenBLAS线程读取SLURM_CPUS_PER_TASK，不直接套用MPI进程数。
- 微调：配置
foundation_model为本地模型路径；不需要多头回放时可设multiheads_finetuning: false。断点恢复用restart_latest: true并保留检查点及原工作目录。
单节点训练使用回环地址建立DDP通信，避开已发现的gcn002-8p100主机名不可达映射；该脚本不能直接扩展为多节点。没有修改集群hosts或网络配置。
验收范围#
12项精选上游测试通过；CPU/P100/V100能量/力/应力float32/64对照、短ASE优化/MD、短训练及模型重读通过，CPU恢复训练和两类GPU预训练模型微调/双卡DDP通过。GPU为SSH功能验收，V100共享GPU，不能作为性能结果。完整长期MD、科学精度、多节点及全部模型未验收。记录：管理员维护记录。
6.9 GPUMDkit#
GPUMDkit 1.5.8 已安装，用于结构转换、NEP 数据采样、预测和后处理；它与 GPUMD 计算程序分别加载。
| 版本 | 部署方式及编译环境 | 路径 |
|---|---|---|
| 1.5.8 | 官方源码固定提交 949f5bf1fce3bc2e388ec07e591dcca9e3e36fe5；独立 Python 3.11.16 Conda 环境；NepTrain 2.2.0、calorine 4.0 的 C++ 扩展由 G++ 13.3.0 源码构建，无 -march=native |
/public/software/gpumdkit/1.5.8 |
环境在 /public/toolkit/miniconda3/envs/gpumdkit-1.5.8。核心依赖包括 NumPy 2.4.6、SciPy 1.17.1、ASE 3.29.0、pymatgen 2026.9.24、Matplotlib 3.11.2、dpdata 1.1.0、pandas、scikit-learn、seaborn、tqdm、umap-learn。Conda 使用清华 conda-forge，pip 使用清华 PyPI；完整版本与安装日志保存在安装记录中。NepTrain 使用 -O3 -std=c++11 -fopenmp，calorine 使用 -O3 -fPIC，均为 CPU 扩展，不需要重编现有 GPUMD、VASP 或 DeePMD。
module load gpumdkit/1.5.8
gpumdkit.sh # 交互菜单，也可使用 gpumdkit
gpumdkit.sh -h
gpumdkit.sh -doctor
login01 可运行小规模转换和后处理，默认单线程、无图形界面绘图（MPLBACKEND=Agg）。未安装 OVITO、ferrodispcalc，因此 doctor 对这两项显示 MISS 是预期状态，相关可选功能不可用。未额外安装 TensorFlow/PyTorch/DeePMD，也未启动 WebConsole 服务。公共入口禁用自更新，不改个人 .bashrc；用户不要对公共目录运行上游 install.sh。
CPU 批量预测。 hs_user、tc_user 均有模板，默认输入 train.xyz 和 nep.txt，可通过脚本参数指定。8173m 为独占 56 核，模板使用 1 个主进程、56 个单线程预测工作进程，输入至少 56 帧；少量帧用 login01 的小规模预测，不申请整节点。nep.txt 由用户提供并确认适用于其体系，验收用势不是公共通用预训练势。
cp /public/slurm_scripts/hs_user/gpumdkit/1.5.8/8173m/sub_gpumdkit_1.5.8_prediction_8173m.sh .
sbatch sub_gpumdkit_1.5.8_prediction_8173m.sh train.xyz nep.txt
套餐用户将路径中的 hs_user 换为 tc_user。也可通过 yskit 选择复制模板。
GPU 和批量 DFT 工作流。 GPU 计算使用现有 gpumd/5.8.1-p100 或 gpumd/5.8.1-v100，不是把 GPUMDkit 的 Python 预测改为 GPU。新增辅助命令只生成 Slurm 文件，不自动提交：
gpumdkit-slurm gpumd --profile hs-p100 --count 4 --job-name md
gpumdkit-slurm nep --profile hs-v100 --output predict.slurm
gpumdkit-slurm vasp --count 4 --prefix scf --output scf.slurm
GPU profile 可选 hs-p100、tc-p100、hs-v100、tc-v100，应与账号对应；每个作业 1 GPU、1 进程、2 CPU。GPUMD 数组进入 sample_1 等目录，VASP 数组进入 scf_1 等目录。VASP 模板采用现有 6.4.2 普通 CPU 版、oneAPI 2024.2、56 MPI 进程。--count 控制作业数组个数，不是单次模拟的 GPU 数。用户检查输入及生成脚本后自行 sbatch。需要多卡 GPUMD 时参考现有 GPUMD 章节和模板，不能简单把此 Python 工具按 MPI 启动多份。
上游开发中的主动学习脚本仅完成集群提交适配，仍须按体系编辑参数，未验收完整自动闭环。控制脚本不能占用唯一的 CPU 计算节点等待子作业。LAMMPS 批处理要求显式配置 GPUMDKIT_LAMMPS_RUNNER，不能假设现有 LAMMPS 已具备 NEP 接口。
验收范围。 login01 普通用户的核心依赖导入、格式往返转换、数据拆分、NepTrain FPS 采样、CPU NEP 预测和 PNG 绘图通过；8173m 作业 875（56 CPU）完成，1 与 56 工作进程结果一致。SSH 到 P100/V100 运行现有 GPUMD 的同势预测，最大能量差约 6.40e-6 eV/atom，力差 1.16e-5 eV/Å。V100 卡有其他负载，此项只验证功能，不代表加速比；GPU Slurm 验收作业 876/877 排队后取消，不能视作 Slurm GPU 验收成功。未进行完整 DFT、长程 MD、NEP 训练或主动学习验收。
安装及验证记录：管理员维护记录。