VASP MLFF训练与独立检验
从短程在线训练到未参与训练的结构对照，判断力场能否用于后续模拟。
阅读本篇目录
VASP原生MLFF可以一边运行轨迹，一边在需要时调用DFT收集能量和力。训练完成不等于模型已经适合生产模拟。 本例把训练和独立检验连起来展示。
1. 训练步骤#
- 从优化硅结构生成16原子超胞。
- 设置在线训练：ML_LMLFF=.TRUE.、ML_MODE=train。此次1 fs一步，共250步，目标温度由300到500 K。
- 提交Slurm作业，保留ML_ABN训练数据、ML_FFN模型和ML_LOGFILE。
- 读取日志，区分DFT调用和ML预测步。250步轨迹不代表有250个独立DFT标注结构。
- 若要扩展训练范围，复制ML_ABN为ML_AB后继续训练；正式预测前可按需要refit，不能把续训和纯预测混为一谈。
2. 独立检验步骤#
本例冻结训练后的模型，不再学习。另取未参与训练的结构，对原子位置施加标准差0.025、0.05和0.08 Å的随机扰动。
每个结构运行两次：一次普通DFT静态力，另一次把ML_FFN复制为ML_FF，设置ML_MODE=run。两次POSCAR必须完全一致。比较每原子能量误差、力分量RMSE和最大原子力误差。
cp ML_FFN ML_FF
ML_LMLFF = .TRUE.
ML_MODE = run
IBRION = -1
NSW = 0
3. 本例为什么还不能直接用于生产#
| 扰动标准差 / Å | 能量误差 / meV·atom⁻¹ | 力分量RMSE / eV·Å⁻¹ |
|---|---|---|
| 0.025 | -11.883 | 0.4074 |
| 0.05 | -48.747 | 0.8161 |
| 0.08 | -136.994 | 1.4724 |
误差随扰动增大而上升，这个很短的训练并没有覆盖足够多的局域环境。它适合说明如何跑通和检查MLFF，不应直接拿来报告硅的熔点、扩散系数或大变形性质。
下一步应补充相关温度、体积、缺陷、应变与高误差构型，重新训练，再使用独立测试集验证。不能把刚加入训练集的结构当作独立测试来证明泛化能力。
4. 与其他机器学习势怎样衔接#
DeePMD等外部势需要导出元素、晶胞、坐标、能量、力与应力/virial，核对单位和符号，再按各自数据格式组织。主动学习还需要候选采样、偏差筛选、DFT标注和回流训练；一次MLFF训练任务不等于完整DP-GEN流程。
环境与下载#
本页数据在鸢算科技集群实际计算。VASP 6.6.1、PBE PAW版本64、ENCUT=550 eV、EDIFF=1E-6；所用优化结构按自由原子力0.02 eV/Å准备。GPU程序采用NVHPC 25.3、CUDA 12.8、HPC-X 2.22.1和MKL 2023.2。方法专用参数以各目录INCAR为准。
解压后先看README。准备有权使用、与POSCAR元素顺序匹配的POTCAR，按目录run.sh提交Slurm作业；后处理结果须由自己的新计算重新提取。附件中的reference结果是本次参考值。公开包不含POTCAR、WAVECAR及原始私有日志。