QEのpw.xによるMD計算結果をDeePMD-kitで使用する Part.2 deep learning編

計算化学

機械学習力場のツールであるDeePMD-kitで、QEのpw.xによる第一原理MD計算結果を使用してポテンシャルファイルを作成していきます。
このPartでは、QEの結果をDeePMD-kitの形式に変換し終えたところから、ポテンシャルファイルを作るところまでを解説します。
こちらの記事の続きです。

スポンサーリンク

dp trainの実行

以下のコマンドでdp trainを実行します。
CPU版は以下のコマンドです。

#最初から実行する場合(並列計算したい場合は mpirun -n 8 dp train)
dp train input.json

#途中にCtrl-Cで止めたジョブを途中からリスタート実行する場合
dp train --restart model.ckpt input.json

GPU版は以下のようになります。

#最初から実行する場合
CUDA_VISIBLE_DEVICES=0 horovodrun -np 1 dp train --mpi-log=workers input.json

#途中にCtrl-Cで止めたジョブを途中からリスタート実行する場合
CUDA_VISIBLE_DEVICES=0 horovodrun -np 1 dp train --restart model.ckpt --mpi-log=workers input.json

複数のGPUがある場合はCUDA_VISIBLE_DEVICES=0,1 horovodrun -np 2 といった形になると思います。これをdockerで動かす場合は docker run –gpus=all のようなコマンドでdockerを動かす必要があります。

DeePMD-kit開始時の出力
計算中の出力
計算中の nvidia-smi のステータス

RTX4060Tiです。機械学習用としては微妙なスペックです。VRAMには余裕があります。

終了時の出力
スポンサーリンク

dp freeze, dp compress

学習が終わったら次はfreezecompressを実行します。

dp freeze -o graph.pb
dp compress -i graph.pb -o graph-compress.pb

1つ目のコマンドで graph.pb が生成され、2つ目のコマンドで graph-compress.pb が生成されます。

graph-compress.pb が機械学習力場のポテンシャルファイルです。だいたい2MBくらいになりました。

スポンサーリンク

生成されたポテンシャルでMD計算

次はこの graph-compress.pb を使用してLAMMPSのMD計算を実行していきたいと思います。

コメント

タイトルとURLをコピーしました