给 LAMMPS 换上深度学习势能DeePMD-kit 势函数的上手指南【免费下载链接】deepmd-kitA deep learning package for many-body potential energy representation and molecular dynamics项目地址: https://gitcode.com/gh_mirrors/de/deepmd-kit如果你要在经典分子动力学里拿到 DFT 级别的精度又不想把体系规模压回几百个原子DeePMD-kit 的 LAMMPS 插件就是为此设计的一条安装命令、一份输入脚本就能让 LAMMPS 用神经网络势能面跑 NVT 或 NPT 模拟。经验势撑不住的地方经典经验势在自己的拟合范围内又快又稳可一旦结构偏离训练区间——高压相、熔体、表面重构——误差就开始失控换一个新材料势参数常常干脆不存在。深度学习势能Deep Learning Potential的思路是绕开人工调参拿一套高精度量子化学数据训练网络让它学会原子排布 → 体系能量的映射再把能量对坐标的梯度交给 MD 引擎去积分。网络只管算力积分、并行、边界条件仍由 LAMMPS 承担两边各干擅长的事。一条命令搭好运行环境不想自己编译的话最快的路径是按需生成一个隔离环境# 首次运行会拉取 LAMMPS 与 DeePMD 运行环境稍慢属正常 uvx --from lammps --with deepmd-kit[gpu,torch,lmp] lmp -h能打印出帮助信息就说明这条通路通了。它只占用临时目录不污染系统里的其他 Python 包验证完成即可删掉重建。如果你必须离线或者集群模块系统管得很严conda-forge 里有预编译二进制一条conda create装齐 deepmd-kit 和 lammpsLAMMPS 开箱即带pair_style deepmd。想从源码构建时内置模式是make lammps生成 USER-DEEPMD 模块拷进 LAMMPS 源码树插件模式则先编 LAMMPS 本体打开 PLUGIN 包运行时用plugin load动态加载升级模型不必重编引擎。一份脚本加一条命令LAMMPS 输入脚本看起来冗长但 DeePMD 真正只关心两条命令pair_style deepmd负责把模型文件读进内存pair_coeff * *之所以能写成两个星号是因为原子类型 ↔ 元素的对应关系早已内嵌在模型里不需要再逐个类型填参数。mass 行不能省——很多 data 文件不写 Masses 段缺了质量速度生成和恒温器都会直接报错。⚡ 调试脚本时把最后一步换成run 0LAMMPS 只走完初始化就退出能立刻分清问题是出在脚本、结构还是模型上。units metal # 埃/ps/开尔文单位制 boundary p p p # 三维周期边界 read_data data.system # 初始结构 mass 1 28.0855 # data 文件未带 Masses 段时必须手填 mass 2 15.999 neighbor 1.0 bin # 邻居列表皮肤宽度越大重建越省 pair_style deepmd graph.pb # 载入深度学习势能模型 pair_coeff * * # 类型映射在模型内部无需逐项指定 velocity all create 300 42929 # 按 300 K 生成随机初速 fix 1 all nvt temp 300 300 0.1 # 恒温系综固定粒子数、体积、温度 timestep 0.5 # 0.5 fs dump 1 all custom 1000 traj.lammpstrj id type x y z run 1000000确认无误后前面那条uvx命令换上-in input.lammps即可开跑离线环境用你模块系统里的lmp或mpirun -np 8 lmp_mpi等价替换。系综、时间步长与邻居列表怎么定平衡段通常给 NPT 让盒子自由松弛生产段看研究问题切换要维持密度用 NVT只做短程稳定性检查就退回 NVE 裸积分。时间步长从 0.5 fs 起步是稳妥选择体系里出现氢原子键拉伸时再往下压。恒温振荡器的阻尼参数别拍脑袋调得太小温度曲线会跟着网络能量的小噪声来回抖。邻居列表方面皮肤宽度和重建频率是一对跷跷板配合模型的截断半径调经验做法是先按皮肤 1.0 Å 起步再从 log.lammps 的统计行看 neighbor list 占比是否偏高。报错时先查这三处⚡ 把故障整理成症状 → 排查方向的树比翻论坛高效得多。升级 DeePMD-kit 后lmp -h正常、一跑模拟却报版本不匹配十有八九是 LAMMPS 源码树里残留了旧 USER-DEEPMD 模块移除后重装新版再编译即可。报 not all per-type masses are setdata 文件里没有 Masses 段按实际类型补 mass 行数值必须对应真实元素而非随便填。并行版启动即崩或通信超时先确认lmp_mpi是带 MPI 的构建且与集群mpirun同属一套 MPI 实现必要时对照mpirun --version和lmp -h的输出。盯着损失曲线与吞吐量模型能不能用看训练阶段的能量与力损失曲线TensorBoard 里两条曲线都平滑收敛说明网络把势能面学到了可外推的程度导出的模型才值得投入生产模拟力损失长期不降多半是该收紧截断半径或加数据而不是加网络层数。架构一侧的信号也值得关注DPA-4 这类等变消息传递模型展示了模型规模—吞吐量的联动关系——容量越大单位时间推进的模拟步数越多同时精度守在 DFT 参考线附近。这条路还会走多远模型容量扩大、GPU 驻留内核逐步落地、压缩模型把内存带宽压力降下来这三股力量叠加意味着深度学习势能在纳秒级以上、万原子级体系的模拟里会从可用的替代方案变成默认选项。对你来说起步成本已经被压到一条安装命令加一份脚本的程度——剩下的事就是挑一个经验势啃不动的体系试一把。【免费下载链接】deepmd-kitA deep learning package for many-body potential energy representation and molecular dynamics项目地址: https://gitcode.com/gh_mirrors/de/deepmd-kit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 给 LAMMPS 换上深度学习势能：DeePMD-kit 势函数的上手指南
给 LAMMPS 换上深度学习势能DeePMD-kit 势函数的上手指南【免费下载链接】deepmd-kitA deep learning package for many-body potential energy representation and molecular dynamics项目地址: https://gitcode.com/gh_mirrors/de/deepmd-kit如果你要在经典分子动力学里拿到 DFT 级别的精度又不想把体系规模压回几百个原子DeePMD-kit 的 LAMMPS 插件就是为此设计的一条安装命令、一份输入脚本就能让 LAMMPS 用神经网络势能面跑 NVT 或 NPT 模拟。经验势撑不住的地方经典经验势在自己的拟合范围内又快又稳可一旦结构偏离训练区间——高压相、熔体、表面重构——误差就开始失控换一个新材料势参数常常干脆不存在。深度学习势能Deep Learning Potential的思路是绕开人工调参拿一套高精度量子化学数据训练网络让它学会原子排布 → 体系能量的映射再把能量对坐标的梯度交给 MD 引擎去积分。网络只管算力积分、并行、边界条件仍由 LAMMPS 承担两边各干擅长的事。一条命令搭好运行环境不想自己编译的话最快的路径是按需生成一个隔离环境# 首次运行会拉取 LAMMPS 与 DeePMD 运行环境稍慢属正常 uvx --from lammps --with deepmd-kit[gpu,torch,lmp] lmp -h能打印出帮助信息就说明这条通路通了。它只占用临时目录不污染系统里的其他 Python 包验证完成即可删掉重建。如果你必须离线或者集群模块系统管得很严conda-forge 里有预编译二进制一条conda create装齐 deepmd-kit 和 lammpsLAMMPS 开箱即带pair_style deepmd。想从源码构建时内置模式是make lammps生成 USER-DEEPMD 模块拷进 LAMMPS 源码树插件模式则先编 LAMMPS 本体打开 PLUGIN 包运行时用plugin load动态加载升级模型不必重编引擎。一份脚本加一条命令LAMMPS 输入脚本看起来冗长但 DeePMD 真正只关心两条命令pair_style deepmd负责把模型文件读进内存pair_coeff * *之所以能写成两个星号是因为原子类型 ↔ 元素的对应关系早已内嵌在模型里不需要再逐个类型填参数。mass 行不能省——很多 data 文件不写 Masses 段缺了质量速度生成和恒温器都会直接报错。⚡ 调试脚本时把最后一步换成run 0LAMMPS 只走完初始化就退出能立刻分清问题是出在脚本、结构还是模型上。units metal # 埃/ps/开尔文单位制 boundary p p p # 三维周期边界 read_data data.system # 初始结构 mass 1 28.0855 # data 文件未带 Masses 段时必须手填 mass 2 15.999 neighbor 1.0 bin # 邻居列表皮肤宽度越大重建越省 pair_style deepmd graph.pb # 载入深度学习势能模型 pair_coeff * * # 类型映射在模型内部无需逐项指定 velocity all create 300 42929 # 按 300 K 生成随机初速 fix 1 all nvt temp 300 300 0.1 # 恒温系综固定粒子数、体积、温度 timestep 0.5 # 0.5 fs dump 1 all custom 1000 traj.lammpstrj id type x y z run 1000000确认无误后前面那条uvx命令换上-in input.lammps即可开跑离线环境用你模块系统里的lmp或mpirun -np 8 lmp_mpi等价替换。系综、时间步长与邻居列表怎么定平衡段通常给 NPT 让盒子自由松弛生产段看研究问题切换要维持密度用 NVT只做短程稳定性检查就退回 NVE 裸积分。时间步长从 0.5 fs 起步是稳妥选择体系里出现氢原子键拉伸时再往下压。恒温振荡器的阻尼参数别拍脑袋调得太小温度曲线会跟着网络能量的小噪声来回抖。邻居列表方面皮肤宽度和重建频率是一对跷跷板配合模型的截断半径调经验做法是先按皮肤 1.0 Å 起步再从 log.lammps 的统计行看 neighbor list 占比是否偏高。报错时先查这三处⚡ 把故障整理成症状 → 排查方向的树比翻论坛高效得多。升级 DeePMD-kit 后lmp -h正常、一跑模拟却报版本不匹配十有八九是 LAMMPS 源码树里残留了旧 USER-DEEPMD 模块移除后重装新版再编译即可。报 not all per-type masses are setdata 文件里没有 Masses 段按实际类型补 mass 行数值必须对应真实元素而非随便填。并行版启动即崩或通信超时先确认lmp_mpi是带 MPI 的构建且与集群mpirun同属一套 MPI 实现必要时对照mpirun --version和lmp -h的输出。盯着损失曲线与吞吐量模型能不能用看训练阶段的能量与力损失曲线TensorBoard 里两条曲线都平滑收敛说明网络把势能面学到了可外推的程度导出的模型才值得投入生产模拟力损失长期不降多半是该收紧截断半径或加数据而不是加网络层数。架构一侧的信号也值得关注DPA-4 这类等变消息传递模型展示了模型规模—吞吐量的联动关系——容量越大单位时间推进的模拟步数越多同时精度守在 DFT 参考线附近。这条路还会走多远模型容量扩大、GPU 驻留内核逐步落地、压缩模型把内存带宽压力降下来这三股力量叠加意味着深度学习势能在纳秒级以上、万原子级体系的模拟里会从可用的替代方案变成默认选项。对你来说起步成本已经被压到一条安装命令加一份脚本的程度——剩下的事就是挑一个经验势啃不动的体系试一把。【免费下载链接】deepmd-kitA deep learning package for many-body potential energy representation and molecular dynamics项目地址: https://gitcode.com/gh_mirrors/de/deepmd-kit创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考