空间站广场

论文

Notebooks

比赛

课程

Apps

我的主页

我的Notebooks

我的论文库

我的足迹

我的工作空间

任务

节点

文件

数据集

镜像

项目

数据库

公开

DeePKS实战（三）|钙钛矿体系以PBE效率实现HSE06精度的多标签训练（针对非单一元素组合体系）

DeePKS

ABACUS

ABACUS使用教程

DeePKS使用教程

DeePKSABACUSABACUS使用教程DeePKS使用教程

John Yan

weiqingzhou@whu.edu.cn

更新于 2024-09-27

推荐镜像 :deepks-abacus:3.7.5v1

推荐机型 :c2_m4_cpu

0. 写在前边

1. 训练数据的准备

2.相对于单一元素组分训练需要修改的参数

2.1 scf_abacus.yaml

2.2 params.yaml

2.3 systems.yaml

3. 训练过程

4. 训练结果

5. DeePKS实战教程小结

©️ Copyright 2024 @ Authors
作者：John Yan (AISI电子结构团队实习生) 📨
日期：2024-9-26
共享协议：本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。
快速开始：点击上方的开始连接按钮，选择 deepks-abacus:3.7.5v1 镜像及 c2_m4_cpu 节点配置，并在连接后点击右上方的切换内核，选择Python (ipykernel)内核稍等片刻即可运行。

代码

文本

目录：
0. 写在前边
1. 多元素体系多标签训练数据的准备
2. 进行多元素体系多标签训练需要修改的参数
3. 多元素体系多标签训练过程
4. 多元素体系多标签训练结果
5. DeePKS实战教程小结

代码

文本

0. 写在前边

代码

文本

对于真实的研究体系，其材料的组成往往是复杂多样的，即具有原子数不同、元素组合不同等特点。实现对于这类复杂体系的DeePKS模型的训练具有重要实际应用价值，但同时也带来了训练难度上的大幅度提升。

本节作为DeePKS实战系列的最后一篇教程，将会介绍多元素组合体系多标签训练，希望用户可以基于本教程构建出适合自己研究体系的DeePKS模型。

代码

文本

1. 训练数据的准备

代码

文本

参考附录教程DeePKS实战（附录）|使用DeePKS init功能进行训练数据的生产里的方案，使用ABACUS批量生产hse06标签。

代码

文本

[ ]

!cd /data/deepks_perov_demo/perov_multi_sys_multi_label/systems && tree -L 2

代码

文本

2.相对于单一元素组分训练需要修改的参数

代码

文本

2.1 scf_abacus.yaml

代码

文本

Step1. 需要修改abacus计算input参数，使其能够正常输出力、应力和轨道文件

  cal_force: 1 #输出力结果
  cal_stress: 1 #输出应力结果
  deepks_bandgap: 1 #输出轨道（能带）结果

Step2. 需要修改abacus计算所有的赝势和轨道文件（包含当前研究多元素体系的所有元素）

  orb_files: ["Cs_gga_10au_100Ry_4s2p1d.orb","Pb_gga_7au_100Ry_2s2p2d1f.orb","I_gga_7au_100Ry_2s2p2d1f.orb","C_gga_7au_100Ry_2s2p1d.orb","N_gga_7au_100Ry_2s2p1d.orb","H_gga_6au_100Ry_2s1p.orb"]
  pp_files: ["Cs_ONCV_PBE-1.0.upf","Pb_ONCV_PBE-1.0.upf","I_ONCV_PBE-1.0.upf","C_ONCV_PBE-1.0.upf","N_ONCV_PBE-1.0.upf","H_ONCV_PBE-1.0.upf"]

Step3. 删除（注释）ntype关键词（ABACUS目前已支持从STRU文件读取元素信息）

完整的参数：

scf_abacus:
  #INPUT args
  # ntype: 3
  ecutwfc: 100
  scf_thr: 1e-7
  scf_nmax: 50
  dft_functional: "pbe"
  gamma_only: 0
  kspacing: 0.1
  cal_force: 1
  cal_stress: 1
  deepks_bandgap: 1
  #STRU args ( Here are default STRU args, you can set for each group in  ../systems/group.xx/stru_abacus.yaml )
  orb_files: ["Cs_gga_10au_100Ry_4s2p1d.orb","Pb_gga_7au_100Ry_2s2p2d1f.orb","I_gga_7au_100Ry_2s2p2d1f.orb","C_gga_7au_100Ry_2s2p1d.orb","N_gga_7au_100Ry_2s2p1d.orb","H_gga_6au_100Ry_2s1p.orb"]
  pp_files: ["Cs_ONCV_PBE-1.0.upf","Pb_ONCV_PBE-1.0.upf","I_ONCV_PBE-1.0.upf","C_ONCV_PBE-1.0.upf","N_ONCV_PBE-1.0.upf","H_ONCV_PBE-1.0.upf"] 
  proj_file: ["jle.orb"]
  lattice_constant: 1.88972613
  lattice_vector: [[28, 0, 0], [0, 28, 0], [0, 0, 28]]
  coord_type: "Cartesian"
  #cmd args
  run_cmd : "mpirun"
  abacus_path: "abacus"

代码

文本

注意，为了使得模型更容易收敛，第一轮init时不训练力、应力和轨道标签，相应的init_scf_abacus部分为：

init_scf_abacus:
  orb_files: ["Cs_gga_10au_100Ry_4s2p1d.orb","Pb_gga_7au_100Ry_2s2p2d1f.orb","I_gga_7au_100Ry_2s2p2d1f.orb","C_gga_7au_100Ry_2s2p1d.orb","N_gga_7au_100Ry_2s2p1d.orb","H_gga_6au_100Ry_2s1p.orb"]
  pp_files: ["Cs_ONCV_PBE-1.0.upf","Pb_ONCV_PBE-1.0.upf","I_ONCV_PBE-1.0.upf","C_ONCV_PBE-1.0.upf","N_ONCV_PBE-1.0.upf","H_ONCV_PBE-1.0.upf"]
  proj_file: ["jle.orb"]
  # ntype: 3
  ecutwfc: 100
  scf_thr: 1e-7
  scf_nmax: 50
  dft_functional: "pbe"
  gamma_only: 0
  kspacing: 0.1
  cal_force: 0
  cal_stress: 0
  deepks_bandgap: 0
  lattice_constant: 1.88972613
  lattice_vector: [[28, 0, 0], [0, 28, 0], [0, 0, 28]]
  coord_type: "Cartesian"
  #cmd args
  run_cmd : "mpirun"
  abacus_path: "abacus"

代码

文本

2.2 params.yaml

代码

文本

需要修改params.yaml中的参数使得其他标签可以加入到训练中，

extra_label为true时打开多标签训练

    extra_label: true  #set to true if force/stress/energy gap labels are required

force_factor stress_factor 和orbital_factor决定其在Loss函数中的占比

    force_factor: 1 #for force training; otherwise set to 0.
    stress_factor: 0.1 #for stress training; otherwise set to 0.
    orbital_factor: 0.1 #set to non-zero value (e.g. 0.001) for orbital training.

代码

文本

2.3 systems.yaml

代码

文本

加入新元素组合的体系：

# this is only part of input settings. 
# should be used together with params.yaml and machines.yaml

# training and testing systems
systems_train: # can also be files that containing system paths
  - ../systems/group.00 # support glob
  - ../systems/group.02 # support glob
  - ../systems/group.05 # support glob
  - ../systems/group.06 # support glob


systems_test: # if empty, use the last system of training set
  - ../systems/group.01 # support glob
  - ../systems/group.04 # support glob

代码

文本

3. 训练过程

代码

文本

填写提交bohrium服务器运行的账户信息

代码

文本

[ ]

import yaml

import getpass

from monty.serialization import loadfn, dumpfn

file_path = '/data/deepks_perov_demo/perov_multi_sys_multi_label/iter/machines_dpdispatcher.yaml'

with open(file_path) as f:

j = yaml.load(f.read(), Loader=yaml.FullLoader)

email = input('Please enter your Bohrium account: ')

password = getpass.getpass('Please enter your password: ')

program_id = int(input('Please enter your Bohrium Program ID: '))

deepks_steps = ['scf_machine', 'train_machine']

for i in deepks_steps:

j[i]['dpdispatcher_machine']['remote_profile']['email'] = email

j[i]['dpdispatcher_machine']['remote_profile']['password'] = password

j[i]['dpdispatcher_machine']['remote_profile']['program_id'] = program_id

with open(file_path, 'w') as f:

data = yaml.dump(j, f)

代码

文本

取消以下代码的注释并运行可进行计算，大约会产生150元机时费用。

代码

文本

[ ]

# !cd /data/deepks_perov_demo/perov_multi_sys_multi_label/iter && bash run_dpdispatcher.sh

代码

文本

4. 训练结果

代码

文本

多标签训练每一轮的log.data如下：

iter.00

Training:
  Convergence:
    17 / 93 = 	 0.18280
  Energy:
    ME: 	 0.03678355183812469
    MAE: 	 0.03678355183812469
    MARE: 	 0.022374677561990127
  Force:
    MAE: 	 0.0023626622572945626
  Stress:
    MAE: 	 0.04656025769972068
  Band gap:
    ME: 	 0.035481124783633224
    MAE: 	 0.035481124783633224
Testing:
  Convergence:
    1 / 16 = 	 0.06250
  Energy:
    ME: 	 0.026203197120615584
    MAE: 	 0.026203197120615584
    MARE: 	 0.01570646217164387
  Force:
    MAE: 	 0.00396892100486528
  Stress:
    MAE: 	 0.04581480462217594
  Band gap:
    ME: 	 0.04220258611926125
    MAE: 	 0.04220258611926125

iter.01

Training:
  Convergence:
    22 / 93 = 	 0.23656
  Energy:
    ME: 	 0.017447338740107284
    MAE: 	 0.021673921541043202
    MARE: 	 0.01035344799812454
  Force:
    MAE: 	 0.002952115029176204
  Stress:
    MAE: 	 0.10079806752968964
  Band gap:
    ME: 	 0.011913024156628177
    MAE: 	 0.011913024156628177
Testing:
  Convergence:
    5 / 16 = 	 0.31250
  Energy:
    ME: 	 -0.002185551241431938
    MAE: 	 0.009773697663355563
    MARE: 	 0.019632889981539225
  Force:
    MAE: 	 0.003489262446198467
  Stress:
    MAE: 	 0.051701256326736784
  Band gap:
    ME: 	 0.01836722907165925
    MAE: 	 0.01836722907165925

iter.02

Training:
  Convergence:
    87 / 93 = 	 0.93548
  Energy:
    ME: 	 0.005748775404959639
    MAE: 	 0.006270612955886072
    MARE: 	 0.0054503712170346115
  Force:
    MAE: 	 0.0022837451799805042
  Stress:
    MAE: 	 0.037030268121047795
  Band gap:
    ME: 	 0.005538189169722413
    MAE: 	 0.005538189169722413
Testing:
  Convergence:
    16 / 16 = 	 1.00000
  Energy:
    ME: 	 0.0029239311544557722
    MAE: 	 0.003459647231053964
    MARE: 	 0.0037046138913416193
  Force:
    MAE: 	 0.002672497699164389
  Stress:
    MAE: 	 0.02180791530004329
  Band gap:
    ME: 	 0.009882601267032512
    MAE: 	 0.009882601267032512

iter.03

Training:
  Convergence:
    90 / 93 = 	 0.96774
  Energy:
    ME: 	 0.0025007355962228055
    MAE: 	 0.003148663496330623
    MARE: 	 0.0026888235274018907
  Force:
    MAE: 	 0.0014150615867891984
  Stress:
    MAE: 	 0.027713359144555753
  Band gap:
    ME: 	 0.00330616134458794
    MAE: 	 0.00330616134458794
Testing:
  Convergence:
    16 / 16 = 	 1.00000
  Energy:
    ME: 	 0.002204148128448935
    MAE: 	 0.003543566321418723
    MARE: 	 0.003074614565271361
  Force:
    MAE: 	 0.001765359678230145
  Stress:
    MAE: 	 0.01685252157592679
  Band gap:
    ME: 	 0.006134469434761008
    MAE: 	 0.006134469434761008

iter.04

Training:
  Convergence:
    92 / 93 = 	 0.98925
  Energy:
    ME: 	 0.0008629536289488466
    MAE: 	 0.0017784968657080205
    MARE: 	 0.0016101344519868532
  Force:
    MAE: 	 0.0011471838584834592
  Stress:
    MAE: 	 0.02329828587398357
  Band gap:
    ME: 	 0.0029852458155659478
    MAE: 	 0.0029852458155659478
Testing:
  Convergence:
    16 / 16 = 	 1.00000
  Energy:
    ME: 	 0.0006442695368136242
    MAE: 	 0.002888851101623402
    MARE: 	 0.0029009941451872976
  Force:
    MAE: 	 0.0013859574540888609
  Stress:
    MAE: 	 0.014620123544422806
  Band gap:
    ME: 	 0.004848511896749577
    MAE: 	 0.004848511896749577

iter.05

Training:
  Convergence:
    93 / 93 = 	 1.00000
  Energy:
    ME: 	 0.0003172572458410169
    MAE: 	 0.0015052621365734384
    MARE: 	 0.00146646476885235
  Force:
    MAE: 	 0.0010180623545925896
  Stress:
    MAE: 	 0.01729372091527994
  Band gap:
    ME: 	 0.0028973887975609226
    MAE: 	 0.0028973887975609226
Testing:
  Convergence:
    16 / 16 = 	 1.00000
  Energy:
    ME: 	 0.00033273453499305106
    MAE: 	 0.002712417126957689
    MARE: 	 0.002741844005845267
  Force:
    MAE: 	 0.0012701853078435972
  Stress:
    MAE: 	 0.011529820278091817
  Band gap:
    ME: 	 0.00433436312018421
    MAE: 	 0.00433436312018421

代码

文本

可以看到，引入不同元素体系后，在初始轮次训练得到的模型引入下一轮scf计算时收敛难度较大，但在不断迭代后，算例的收敛比例迅速提升，达到100%收敛。教程中为了演示iter只设置为6，在真实环境下可能需要更多的循环次数以获得更精确的结果。

代码

文本

5. DeePKS实战教程小结

代码

文本

密度泛函理论（DFT）中常用的泛函如PBE具有效率高但精度不足的问题，而杂化泛函如HSE06有精度高但效率低的问题。DeePKS通过引入深度学习模型来弥补低精度泛函和高精度泛函之间的差异，从而在高效率的同时提高整体计算的精度。本教程从易到难介绍了在真实材料体系中DeePKS模型的训练，通过上手操作，可以看到DeePKS在弥补泛函精度问题上的极大潜力，例如在本篇中，引入DeePKS模型的PBE计算花销只占HSE计算的15%左右，但精度却已经和HSE相当，并且随着iter轮次的增加，误差逐渐降低。这一创新方法为DFT计算带来了新的可能性，值得我们在未来的研究中进一步探索和应用。

代码

文本

DeePKS

ABACUS

ABACUS使用教程

DeePKS使用教程

DeePKSABACUSABACUS使用教程DeePKS使用教程

点个赞吧

本文被以下合集收录

ABACUS@DeePKS的保姆级教程 | 以钙钛矿体系的训练为例

weiqingzhou@whu.edu.cn

更新于 2024-09-27

4 篇0 人关注