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

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。

QEのpw.xによるMD計算結果をDeePMD-kitで使用する Part.1 データ準備編

機械学習力場のツールであるDeePMD-kitでは学習データに第一原理MDの計算を使用できる…はずなのですが、QEの出力をいい感じに読み込んでくれないし、やり方を調べてもあまり出てこない。ということで、PythonのASEを中間に挟む方法で...

dp trainの実行
dp freeze, dp compress
生成されたポテンシャルでMD計算

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。

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。

dp freeze, dp compress

学習が終わったら次はfreezeとcompress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。

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。

QEのpw.xによるMD計算結果をDeePMD-kitで使用する Part.3 MD計算編

機械学習力場のツールであるDeePMD-kitで作成したポテンシャルでMD計算を試してみます。Part.1とPart.2の続きです。 LAMMPS用の構造ファイルの作成作成した graph-compress.pb はダイヤモンド（C 64...