跳转至

算例 15-3：VASP 机器学习力场全流程（train → refit → run）

目的

以 64 原子晶体 Si 为例，完整走一遍 VASP 内置机器学习力场（MLFF，VASP ≥ 6.3；ML_MODE 需 ≥ 6.4.0）的标准流程：

  1. train：NpT Langevin MD 从 200 K 升温到 1000 K，VASP 根据贝叶斯误差估计自动决定哪些步做 DFT、哪些步用力场，边跑边学，输出 ML_ABN（训练集）和 ML_FFN（力场）；
  2. refit：cp ML_ABN ML_AB，用 ML_MODE = refit 重新拟合得到支持"快速预测模式"的力场（官方给出的提速约 20–100 倍）；
  3. run：cp ML_FFN ML_FF，ML_MODE = run 做 800 K、200 ps 的纯力场 NpT 生产运行，并用溢出因子（spilling factor）监控外推风险。

对应教程：第15章 从头算分子动力学与机器学习力场。

文件说明

文件 作用
POSCAR 64 原子晶体 Si（2×2×2 惯用胞，a = 5.468 Å，接近 PBE 平衡值）
KPOINTS Γ 中心 2×2×2（64 原子半导体只用 Γ 点会使训练数据不够准确）
INCAR_train 第 1 步：ML_LMLFF = .TRUE.、ML_MODE = train，NpT，TEBEG = 200、TEEND = 1000，ENCUT = 350
INCAR_refit 第 2 步：ML_MODE = refit
INCAR_run 第 3 步：ML_MODE = run、ML_OUTBLOCK = 10、ML_ESTBLOCK = 50
run_mlff.sh Slurm 作业脚本：在 1_train/、2_refit/、3_run/ 中依次完成三步，并自动复制 ML_ABN→ML_AB、ML_FFN→ML_FF
parse_ml_logfile.py 解析 ML_LOGFILE：统计 STATUS 各状态步数、DFT 次数，输出最后的 ERR/BEEF/LCONF，导出 ERR.dat、BEEF.dat 等，--plot 画误差曲线

运行步骤

cd VASP/examples/15-mlff-si-train-run
export VASP_PP_PATH=/path/to/your/paw_library
sbatch run_mlff.sh

分步手动执行（推荐第一次这样做，便于在每一步之后检查）：

mkdir 1_train && cp INCAR_train 1_train/INCAR && cp POSCAR KPOINTS POTCAR 1_train/
cd 1_train && mpirun -np 32 vasp_std > vasp.out && cd ..
python3 parse_ml_logfile.py -f 1_train/ML_LOGFILE --plot      # 检查训练过程

mkdir 2_refit && cp INCAR_refit 2_refit/INCAR && cp POSCAR KPOINTS POTCAR 2_refit/
cp 1_train/ML_ABN 2_refit/ML_AB
cd 2_refit && mpirun -np 32 vasp_std > vasp.out && cd ..

mkdir 3_run && cp INCAR_run 3_run/INCAR && cp KPOINTS POTCAR 3_run/
cp 1_train/CONTCAR 3_run/POSCAR && cp 2_refit/ML_FFN 3_run/ML_FF
cd 3_run && mpirun -np 32 vasp_std > vasp.out && cd ..

预期结果 / 如何检查

训练（1_train/ML_LOGFILE）：

grep "Total memory consumption" ML_LOGFILE                           # 先确认内存估计不超过节点内存
grep STATUS ML_LOGFILE | grep -E "learning|critical" | grep -v "#" | wc -l
grep ERR ML_LOGFILE | grep -v "#" | tail -3                          # 训练集 RMSE: 能量/力/应力
grep BEEF ML_LOGFILE | grep -v "#" | awk '{print $2, $4, $6}' | tail # 步数、最大力贝叶斯误差、当前阈值
  • 健康的训练：开始时几乎每步都在学习（critical/learning），之后 DFT 计算越来越稀疏；若 50 步之后仍然每步都学习，或很早就完全不再学习，都说明设置有问题。
  • 升温训练中 ERR 会随温度缓慢上升，这是正常的；突然跳升往往意味着晶胞发生了异常形变或相变。
  • 官方经验值：300–1000 K 下能量误差 < 1 meV/atom、力误差 30–100 meV/Å 量级通常可以接受。

refit（2_refit/ML_LOGFILE 的 ERR 行）一般比训练阶段的误差略小或相当。生产运行（3_run）：

cd 3_run
python3 ../parse_ml_logfile.py -f ML_LOGFILE         # 若有 SFF 行，会给出溢出因子统计
grep "T=" OSZICAR | tail -3
python3 ../../15-aimd-si-liquid-nvt/analyze_md.py --potim 2.0 --nblock 10 --skip 1000 --pair Si-Si

analyze_md.py 中 --nblock 10 对应 ML_OUTBLOCK = 10（每 10 步输出一帧）。

注意事项

  • 训练和续训之间不能修改 INCAR 中的 DFT 参数和 POTCAR；续训时必须先 cp ML_ABN ML_AB（直接拿旧的 ML_AB 会丢掉上一轮的数据）。
  • MLFF 只在训练覆盖过的相和温度范围内可靠：本例只训练了晶体，不能直接用于液态 Si 或表面。
  • ML_MODE = run 只有 MPI 并行（不能用 OpenMP/GPU 加速力场部分）；需要以 scaLAPACK 编译。
  • 版本差异：6.3 用 ML_ISTART = 0/1/2/3 代替 ML_MODE；6.5.0 及以前用 ML_IERR 代替 ML_ESTBLOCK；6.6 起溢出因子默认始终计算，超过 0.9 时计算会终止，ML_OUTBLOCK 默认 10。
  • 仓库中的 ../../scripts/md_analysis.py 也能解析 ML_LOGFILE，用 python ../../scripts/md_analysis.py -h 查看用法。

返回教程：第15章 从头算分子动力学与机器学习力场