8.4 为机器学习工作流导出第一性原理标签
8.4.1 训练集是科学测量记录
转换器能读取 ABACUS 轨迹，不等于数据可信。每帧需要匹配的能量、结构、原子顺序及训练使用的力／维里标签。SCF 失败、电子分支改变、赝势混用和相关训练／测试样本都会制造误导性准确度。
本例为未执行的数据审计模板，从 ABACUS 3.9.0 轨迹分析出发，使用当前官方 dpdata 插件 API；dpdata 版本需独立记录。插件支持 abacus/scf、abacus/md 计算目录，但不断演进的解析器未必适用于所有输出版本。应锁定安装版本，先人工核对一帧，再批量导出。
本课没有生成轨迹或训练模型，Python 仅为拟议转换与检查，不是已执行基准。真实帧应符合参考质量策略，保留完整日志。只有 STRU 的目录是无标签结构，System 也不自动等于 LabeledSystem。
8.4.2 单位与身份契约
DeePMD 标准坐标／晶胞单位为 Å，能量与维里为 eV，力为 eV/Å。维里是九分量能量张量，不是日志中 kbar 压力。应力转换涉及符号、体积和单位，不能直接复制九个数字。
位移和电子阈值收敛后，有限差分偏差才应较小。它能诊断符号／标签错误，却不证明参考泛函物理精确。先检查小量代表帧，再决定大规模采样。
箭头和分组图都是概念示意，不包含已计算力或实测模型误差。
8.4.3 ABACUS 标签输出增量
保持 MD 父任务物种、顺序、泛函、自旋和数值精度，请求所需输出：
# ABACUS 3.9.0 MD parent delta; no job executed here
cal_force 1
cal_stress 1
md_dumpfreq 1
dump_force 1
dump_virial 1
参数以对应基组／方法支持力和应力为前提，不能为旧轨迹补出未保存标签。力／应力需要独立收敛，必要时检查 Pulay 基组效应。MD 快照可能需更严格静态重标记，并明确标签来自在线 MD 还是独立 SCF。
不能把某步的力配到另一帧坐标。对照 MD_dump、running_md.log 检查步号、输出频率和缺失未收敛步。静态 SCF 解析器需要含 INPUT、STRU、OUT 的计算目录，不是孤立日志路径。
8.4.4 拟议 dpdata 检查与导出
Python 为未执行模板，真实使用需替换路径、核对锁定解析器并先拒绝不合格帧；明确 Si 映射仅适用于单元素硅教学轨迹。
import dpdata
import numpy as np
system = dpdata.LabeledSystem("accepted_md", fmt="abacus/md")
data = system.data
nframe = len(system)
natom = system.get_natoms()
assert nframe > 0 and natom > 0
assert data["coords"].shape == (nframe, natom, 3)
assert data["cells"].shape == (nframe, 3, 3)
assert data["energies"].shape == (nframe,)
assert data["forces"].shape == (nframe, natom, 3)
assert data["atom_names"] == ["Si"]
for name in ("coords", "cells", "energies", "forces"):
assert np.isfinite(data[name]).all(), name
assert np.all(np.abs(np.linalg.det(data["cells"])) > 1e-8)
system.to("deepmd/npy", "audited_si_export")
形状和有限值检查必要却不充分，不能认证 SCF、原子映射和物理单位。人工比较一帧导出坐标、能量和全部力分量，维里符号及单位另验。源文件与数组都应哈希，保留解析器版本、帧列表和排除记录。
多组分任务应为所有组设统一明确元素／类型映射，不能认为字母排序无害；类型编号、坐标和力必须对齐。不同原子数或周期性的体系，按所选 DeepMD 版本分组。
8.4.5 空白质量与划分记录
| 来源组 | 帧号／频率 | 方法与文件哈希 | 合格 SCF 数 | 单位检查？ | 力／维里检查 | 数据分组 | 排除原因 |
|---|---|---|---|---|---|---|---|
| 轨迹 A | 训练 | ||||||
| 独立轨迹 B | 验证 | ||||||
| 保留晶相／条件 | 测试 |
训练前按独立轨迹、结构或热力学条件划分，不随机打散相邻帧；保留真正最终测试组。除整体 RMSE 外，还应报告域内误差和失效模式。小平均值可能掩盖短原子距、表面、相变帧的巨大力误差。重复检测和按组分比较能量，能避免虚假改善。
8.4.6 易错点、练习与答案
易错点。 解析器可读取不收敛输出却不知道验收阈值；压力当 eV 维里会改变尺度与符号；不同泛函混池产生不一致目标能面；相邻帧随机划分泄漏相关信息；不记录拒绝困难帧会暗中缩小适用域；模型误差小不消除 DFT 系统偏差。
练习 1。 所有形状通过，但力比原记录大固定倍数，检查什么？答案： 源／目标单位、转换系数、原子顺序和帧号；用一致能量长度单位做有限差分力。
练习 2。 随机测试误差小，独立轨迹误差大，哪个更有部署意义？答案： 独立组暴露真实泛化问题。保持分组评估，报告失效，而不反复针对最终测试调参。
8.4.7 参考与课程收尾
- 官方 dpdata ABACUS 插件：格式和目录接口，锁定安装版本。
- DeePMD 数据契约：标签形状与单位。
- 3.9.0 MD 输出控制。
- 大学关联 ABACUS 实践指南：流程背景，历史默认值需另核对。
回到课程总览：先建立可信电子参考，再记录导出过程，最后做独立模型验证。