龙讯旷腾机器学习力场PWMLFF V0.1.0发布

PWMLFF(机器学习力场)手册

http://doc.lonxun.com/PWMLFF/

我们都知道从第一性原理出发的分子动力学(Ab Initio Molecular Dynamics, AIMD)计算非常精确,但需要消耗大量时间和计算资源,能模拟的空间尺度和时间尺度都比较有限。龙讯旷腾PWMLFF借助机器学习的方法,可以根据第一性原理计算数据集训练势函数,在保证高精度的同时,大幅加速分子动力学计算,提高了可模拟的体系尺寸以及模拟的时长。近日,龙讯旷腾推出PWMLFF V0.1.0版本,重构了操作界面,大大降低了软件使用门槛,同时优化了与分子动力学软件lammps的接口,提供了PWMLFF主动学习方案,并修复了多处已知bug。
PWMLFF架构

•减少取样:

Energy Decomposition

•特征丰富:

2B/3B(piecewise)、2B/3B(gauss)、MTP、SNAP等

•模型齐全:

Linear、VV、 NN、 DP

•加速训练:

Kalman filter techniques

•可扩展性:

Open source、user plug-in features

亮点

集成不同模型,可自由组合

对于扩展系统,PWMLFF假设系统的总能量是系统中每个原子能量的总和。我们用不同的局域原子描述符(即所谓“特征”)来描述局部原子结构,以这些特征作为回归模型的输入,拟合原子能量。PWMLFF支持的回归模型包括线性模型、VV模型(龙讯团队开发的一种独特的非线性模型)、神经网络(Deep NN)模型和DP模型,同时也包含大部分的常用特征,用户可以任意地重新组合它们。

Energy Decomposition

PWMLFF另一个独特功能是可以结合PWmat分子动力学计算中的能量分解功能,将局域的原子能量作为输入。由于局域原子能量可以直接作为数据输入回归模型,这可以显著减少训练所需的分子动力学步数,因此可以克服机器学习需要长时间预运算来产生训练数据这一困难。在PWMLFF中,总能量、局域原子能量和原子受力均可以作为训练输入。与此同时,使用市面上常规第一性原理软件的用户也可以使用PWMLFF进行训练,但将无法使用PWmat的能量分解功能。

Kalman Filter优化器加速训练

PWMLFF 在训练过程中引入分层Kalman滤波器(LKF),这是一种二阶梯度优化器,训练收敛速度远远快于Adam等一阶梯度优化器,而且龙讯团队创造性的采用了分层计算的方式,解决了此类优化器在计算中显存占用太多的问题,提高了实用性。详见下方链接:https://ojs.aaai.org/index.php/AAAI/article/view/25957

KF优化器收敛速度最快  

升级

新版操作界面

PWMLFF V0.1.0版本使用方式如下:

PWMLFF[train/test/explore/extract_ff]<input_file>

其中 train/test/explore/extract_ff 分别对应力场训练、力场测试、结构探索、提取力场文件任务,另外用户需准备训练集(如0_300_MOVEMENT、1_500_MOVEMENT)以及输入文件(如input.json),训练输入文件内容可精简如下:

 

{

     “train_movement_file”:[“0_300_MOVEMENT”, “1_500_MOVEMENT”],
          “model_type”: “DP”,
          “atom_type”:[29],
}

 

然后使用命令 PWMLFF train input.json 即可开启训练,获得机器学习力场文件。更多参数设置可以参考用户手册。

优化lammps接口

除与PWMLFF自带的分子动力学工具main_MD.x接口外,Linear model, NN model, DP model均实现了与著名分子动力学计算软件lammps的接口,支持NVE, NVT, NPT等多种系综,提高了PWMLFF势函数的灵活性与通用性,使用方式如下:

     pair_style pwmatmlff

     pair_coeff * * 5 1 forcefield.ff 29

     其中pair_coeff行第一个数字代表model类型,1:linear model, 3: NN model,5: DP model,第二个数字代表力场个数,如有四个力场文件,可

     pair_coeff * * 5 4 ./1.ff ./2.ff ./3.ff ./4.ff 29

最后的数字代表原子序数。其余设置与标准lammp保持一致。

PWMLFF主动学习方案

机器学习力场的质量与其训练集密切相关。PWMLFF提供了主动学习方案建立训练集:

  1. 使用初始训练集训得的力场高效探索相空间构型
  2. 通过多个力场预测结果的偏差值评估力场质量
  3. 将候选构型用PWmat做DFT计算后加入训练集,从而实现训练集的高效构建

 

 流程如下图所示

新版本的PWMLFF在功能强大的同时,始终关注软件的稳定性、可靠性和易用性。我们相信,PWMLFF将为用户带来更加高效、准确的计算体验,进一步提升用户在科研和工程应用中的工作效率。

应用和案例

应用场景

机器学习用于模拟硅由非晶态变成结晶态生长过程

应用场景

机器学习用于蒙特卡罗模拟薄膜生长过程

应用场景

机器学习用于裂纹扩展研究

案例展示

总能量、受力结果与测试数据比较

Code:

https://gitee.com/pfsuo/PWMLFF

Lammps接口:

https://gitee.com/pfsuo/Lammps_for_PWMLFF

咨询

电话:400-618-6006

邮箱:marketing@pwmat.com

微信公众号

Copyright (c) 2020.北京龙讯旷腾科技有限公司 All rights reserved.京ICP备15057729号