人工智能與傳統(tǒng)計(jì)算機(jī)模擬結(jié)合是當(dāng)今科學(xué)計(jì)算的一大趨勢(shì),機(jī)器學(xué)習(xí)力場(chǎng)作為其中的一個(gè)重要方向,能夠顯著提升分子動(dòng)力學(xué)模擬的精度和效率。PWMLFF是一套由龍訊曠騰團(tuán)隊(duì)開(kāi)發(fā)，在 GNU 許可下的開(kāi)源軟件包，用于快速生成媲美從頭算分子動(dòng)力學(xué)（AIMD）精度的機(jī)器學(xué)習(xí)力場(chǎng)。本次發(fā)布的PWMLFF 2024.3版本，包含Lammps的libtorch接口方案、主動(dòng)學(xué)習(xí)平臺(tái)、數(shù)據(jù)處理平臺(tái)等一系列更新。現(xiàn)PWMLFF包括模型訓(xùn)練平臺(tái)、Lammps分子動(dòng)力學(xué)接口、主動(dòng)學(xué)習(xí)平臺(tái)、數(shù)據(jù)格式轉(zhuǎn)換工具、數(shù)據(jù)和模型倉(cāng)庫(kù)以及用戶手冊(cè)。

PWMLFF用戶手冊(cè)

PWMLFF用戶手冊(cè)提供了詳細(xì)的PWMLFF工具集安裝、使用以及案例說(shuō)明文檔。通過(guò)閱讀PWMLFF手冊(cè)，用戶可以快速了解和上手整套PWMLFF工具包。

PWMLFF機(jī)器學(xué)習(xí)平臺(tái)

PWMLFF 機(jī)器學(xué)習(xí)平臺(tái)用于快速生成媲美從頭算分子動(dòng)力學(xué)（AIMD）的機(jī)器學(xué)習(xí)力場(chǎng)。支持8種常見(jiàn)描述符、4種機(jī)器學(xué)習(xí)模型以及兩種訓(xùn)練優(yōu)化器。

特點(diǎn)

集成不同特征與模型，可自由組合

對(duì)于擴(kuò)展系統(tǒng)，PWMLFF假設(shè)系統(tǒng)的總能量是系統(tǒng)中每個(gè)原子能量的總和。PWMLFF用不同的局域原子描述符(即所謂“特征”)來(lái)描述局部原子結(jié)構(gòu)，以這些特征作為回歸模型的輸入，擬合原子能量。PWMLFF支持的回歸模型包括線性模型、神經(jīng)網(wǎng)絡(luò)(NN)模型和深度勢(shì)能(Deep Potential)模型。PWMLFF包含了8種常用特征，用戶可以將它們與幾種模型任意組合使用。

Energy Decomposition

PWMLFF另一個(gè)獨(dú)特功能是可以結(jié)合PWmat分子動(dòng)力學(xué)計(jì)算中的能量分解功能，將局域的原子能量作為輸入。由于局域原子能量可以直接作為數(shù)據(jù)輸入回歸模型，這可以顯著減少訓(xùn)練所需的分子動(dòng)力學(xué)步數(shù)，因此可以克服機(jī)器學(xué)習(xí)力場(chǎng)需要長(zhǎng)時(shí)間預(yù)運(yùn)算來(lái)產(chǎn)生訓(xùn)練數(shù)據(jù)這一困難。在PWMLFF中，總能量、局域原子能量和原子受力均可以作為訓(xùn)練標(biāo)簽輸入。

Kalman Filter優(yōu)化器加速訓(xùn)練

PWMLFF 支持常用優(yōu)化器Adam以及擴(kuò)展Kalman濾波優(yōu)化器(EKF)，這是一種訓(xùn)練收斂速度比Adam等優(yōu)化器更快的一階梯度優(yōu)化器，然而往往需要占用更多的內(nèi)存/顯存。龍訊曠騰團(tuán)隊(duì)創(chuàng)造性得采用了分層計(jì)算的方式（RLEKF，https://ojs.aaai.org/index.php/AAAI/article/view/25957），使用塊對(duì)角矩陣來(lái)近似稠密加權(quán)誤差協(xié)方差矩陣，解決了此類優(yōu)化器在計(jì)算中顯存占用太多的問(wèn)題。實(shí)驗(yàn)證明，RLEKF訓(xùn)練方式相比于Adam優(yōu)化器精度更高，速度更快。

簡(jiǎn)單易上手的操作界面

PWMLFF 提供了從源碼安裝、離線安裝兩種方式供用戶選擇。此外，對(duì)于Mcloud用戶，我們?cè)贛cloud集成了PWMLFF的所有軟件包，實(shí)現(xiàn)了“一條命令”即可加載。針對(duì)復(fù)雜的訓(xùn)練輸入，PWMLFF采用了常見(jiàn)的JSON文件配置方式，并盡可能精簡(jiǎn)用戶輸入?yún)?shù)。用戶只需類似如下例所示的簡(jiǎn)單配置，即可實(shí)現(xiàn)大多數(shù)模型訓(xùn)練。

PWMLFF 輸入示例

{

"model_type": "DP",

"atom_type": [14],

"datasets_path": ["./PWdata"]

}

PWMLFF分子動(dòng)力學(xué)接口

PWMLFF提供了與分子動(dòng)力學(xué)計(jì)算軟件lammps的無(wú)縫集成接口，支持常見(jiàn)的NVE、NVT、NPT等多種系綜設(shè)置。該接口不僅支持常規(guī)的CPU計(jì)算,還實(shí)現(xiàn)了GPU多卡加速能力,能高效利用多塊GPU卡進(jìn)行大規(guī)模并行加速。此外，調(diào)用PWMLFF模型的操作方式也更通用（如下lammps輸入文件所示）。

PWact主動(dòng)學(xué)習(xí)平臺(tái)(支持 pip install pwact)

由于機(jī)器學(xué)習(xí)方法的插值特性，對(duì)于訓(xùn)練集之外的相空間，MLFF 很難做出準(zhǔn)確預(yù)測(cè)。訓(xùn)練數(shù)據(jù)通常是使用昂貴的第一性原理計(jì)算生成的，現(xiàn)實(shí)中很難獲取到大量的從頭算數(shù)據(jù)集，生成具有足夠代表性的訓(xùn)練數(shù)據(jù)但不依賴大量從頭算數(shù)據(jù)，對(duì)于提升模型的外推能力至關(guān)重要。

主動(dòng)學(xué)習(xí)的一般性流程包括訓(xùn)練、構(gòu)型探索以及標(biāo)注。首先，訓(xùn)練模塊做力場(chǎng)訓(xùn)練；之后探索模塊調(diào)用力場(chǎng)模型做分子動(dòng)力學(xué)模擬，模擬結(jié)束后把得到的分子運(yùn)動(dòng)軌跡送入查詢器做不確定性度量；查詢完成后，把待標(biāo)注構(gòu)型點(diǎn)送入標(biāo)注模塊；最后標(biāo)注模塊做自洽計(jì)算，得到能量和力作為標(biāo)簽，加入已標(biāo)注數(shù)據(jù)庫(kù)中；重復(fù)上述步驟，直到收斂。

PWact是開(kāi)源的基于 PWMLFF 的一套自動(dòng)化主動(dòng)學(xué)習(xí)平臺(tái)，用于高效的自動(dòng)化主動(dòng)學(xué)習(xí)采樣，快速制備PWMLFF力場(chǎng)訓(xùn)練數(shù)據(jù)。PWact安裝和操作簡(jiǎn)單易學(xué)，支持源碼安裝和更加便捷的pip 命令（pip install pwact）安裝兩種方式，使用JSON文件作為輸入控制。PWact包括初始訓(xùn)練數(shù)據(jù)制備以及主動(dòng)學(xué)習(xí)兩大功能。通過(guò)簡(jiǎn)單的JSON文件配置，即可實(shí)現(xiàn)初始訓(xùn)練數(shù)據(jù)制備和主動(dòng)學(xué)習(xí)過(guò)程中的計(jì)算任務(wù)生成、調(diào)度、監(jiān)控、故障恢復(fù)以及結(jié)果收集自動(dòng)化。支持PWmat、VASP、CP2K、DFTB(PWmat集成，🔗)等常用第一性原理程序。

結(jié)構(gòu)轉(zhuǎn)換工具PWdata（支持 pip install pwdata）

PWdata是一款數(shù)據(jù)轉(zhuǎn)換工具，能夠快捷地實(shí)現(xiàn)PWmat、VASP、CP2K之間的結(jié)構(gòu)格式互轉(zhuǎn)，支持各類結(jié)構(gòu)到PWMLFF力場(chǎng)數(shù)據(jù)格式轉(zhuǎn)換。PWdata支持源碼安裝和pip命令安裝（pip install pwdata）兩種方式，簡(jiǎn)便易用。

訓(xùn)練數(shù)據(jù)集倉(cāng)庫(kù)

AIMD數(shù)據(jù)的高昂制備成本一直是限制機(jī)器學(xué)習(xí)力場(chǎng)的瓶頸之一，我們?cè)谠摂?shù)據(jù)倉(cāng)庫(kù)中上傳了常見(jiàn)體系的AIMD 數(shù)據(jù)集、一些已訓(xùn)練的PWMLFF 模型、常用的不同版本模型轉(zhuǎn)換腳本。便于用戶快速?gòu)?fù)用已有數(shù)據(jù)集和模型或進(jìn)行不同模型之間的橫向比較，幫助用戶節(jié)省數(shù)據(jù)制備和模型訓(xùn)練成本。

相關(guān)下載請(qǐng)前往：https://www.pwmat.com/mlff