8.9 VASP 原生机器学习力场:训练、验证与部署
本课输入均为未执行的教学示例,数值是待测试的起点;图为原创示意,不是实际计算结果。使用授权 VASP 和 PAW 数据,替换所有占位符,记录程序版本并自行检验收敛。
8.9.1 模型、单位与记录
能量用 eV,长度用 Å,力用 eV/Å;1 kbar = 0.1 GPa。明确每原子、每分子、每原胞或每计算胞的归一化。记录 PAW 名称、版本、ZVAL、ENMAX 及允许的哈希;不分发 POTCAR。SCF 收敛只验证所选电子问题,目标物性的收敛仍需单独检查。
原创示意图;曲线与空白数据区用于说明或填写真实结果,不代表已运行计算。
8.9.2 完整案例:步骤、解释与检验
明确模型、版本与目标域
机器学习力场近似势能面,可以让长时间采样变得便宜,但错误势能面只会更快地产生错误结果。核心问题是:训练覆盖了生产模拟真正会访问的原子环境吗?
本案例专讲 VASP 原生 MLFF。MACE 是独立框架,有自己的架构、训练流程、检查点和接口。MACE 模型不是 ML_FF 文件,改文件名不能转换;使用 VASP 数据训练也不等于成为 VASP 原生力场。字符串 ML_MODE 工作流从 VASP 6.4.0 起提供,旧版本参数不能凭猜测替换。运行前核实实际版本、编译选项和支持的标签。
前提是已有可靠且一致的 DFT 能量、力、应力和经过验证的 MD 设置,并为独立验证留出机时。模型说明卡应列出元素、组成、物相、温度、密度、电荷、自旋、缺陷、表面和目标物性。“元素都见过”并不是充分的适用域。
数据与独立验证
围绕目标态采集有物理意义的训练段:热畸变、必要的体积或应变范围、相关缺陷及配位变化。不要为追求“多样性”随意制造不合理原子重叠。如果确实需要排斥区构型保证稳定,应有计划地生成并验证。参考泛函、U、PAW、色散和自旋必须保持可追溯一致;混合不相容标签不是简单拼接文件能解决的。
上面的 train 修改项配合已经验证的 DFT 与 MD 参数使用。在线学习可以根据内部判据请求 DFT 数据,但估计误差不是对所有构型的严格保证。继续训练使用经过检查的 ML_ABN 副本作为 ML_AB;模型输出 ML_FFN 与数据库不同,分目录保留版本,不能覆盖唯一副本。
验证时不要把同一轨迹相邻帧随机分到训练与测试两侧,因为近乎重复的构型会让成绩虚高。按独立轨迹段、起点、温区或构型族划分,并保留不参与调参的最终测试集。报告每原子能量误差、力分量 RMSE、最大误差及元素/环境尾部;涉及压力时验证应力单位和符号。还要验证实际目标量,例如 RDF、体积分布、扩散或缺陷能量。
低平均误差可能掩盖少量危险构型。每个异常点要回看结构与参考 SCF;未收敛 DFT 标签不是天然正确答案。没有真实验证数据时,只画流程图,不能伪造漂亮的 parity 散点。
重拟合、部署与练习
将检查过的 ML_AB 放入独立 refit 目录,成功后把 ML_FFN 副本作为生产目录 ML_FF。快速模型没有 Bayesian 误差估计;run 是纯预测,不会在外推时自动调用 DFT 自救。因此先做短部署试跑,重新验证 NVE 和目标系综,并用事先规定的抽样策略选正常与可疑快照做独立 DFT 检查。
模型即使完美守恒,也可能守恒在错误势能面上;力变便宜不代表时间步可以随意加大。记录模型哈希、软件版本、数据库来源、重拟合参数、数据划分、误差、批准范围与排除条件。比较 MACE 时明确检查点和理论层级,不能依赖会变化的软件默认模型。
常见错误:用训练帧验证;只看能量 RMSE;把内部误差当严格置信区间;把 run 当持续训练;混淆数据库与模型;把体相模型用于反应表面。练习:训练前写一页模型说明卡,加入一个域外负测试,写清什么证据会阻止部署。最终只声明验证真正支持的适用范围。
8.9.3 未执行输入与分析框架
本课输入均为未执行的教学示例,数值是待测试的起点;图为原创示意,不是实际计算结果。使用授权 VASP 和 PAW 数据,替换所有占位符,记录程序版本并自行检验收敛。
8.9.3.1 输入片段 1
# UNEXECUTED native-MLFF training delta; requires supported VASP build
ML_LMLFF = .TRUE.
ML_MODE = train
# Add the validated MD ensemble/timestep and consistent DFT settings.
# Start without ML_AB only when intentionally beginning a new database.
8.9.3.2 输入片段 2
8.9.3.3 输入片段 3
# File flow, not a command to run blindly:
validated training/ML_ABN -> refit/ML_AB
successful refit/ML_FFN -> production/ML_FF
8.9.3.4 输入片段 4
# UNEXECUTED prediction-stage delta; validated ML_FF must be present
ML_LMLFF = .TRUE.
ML_MODE = run
# Reapply the validated production MD settings and output cadence.
8.9.4 衔接学习
- 1.1 四个输入文件,一个物理问题
- 1.2 带误差预算的收敛实验室
- 8.8 有限温度表面与液体:先验证采样,再解释机制
- 3.6 吸附能进阶:参考态、覆盖度、色散与一致性
- 8.3 用 NVE 检验时间步与能量漂移
- 1.3 HPC 可靠运行、重启核查与可复现自动化