GPTFF模型训练与结构优化操作手册

本文档提供GPTFF工具包的完整操作流程，包括数据处理、模型训练和结构优化应用。

一、数据处理

1. 创建训练数据集

从VASP计算结果中提取训练数据：

# 在仓库根目录执行
python scripts/create_training_dataset.py

脚本位置：scripts/create_training_dataset.py

功能：

• 从VASP输出文件(vasprun.xml)中提取原子坐标、能量、力和应力
• 自动处理可能被截断的vasprun.xml文件
• 生成训练数据集CSV文件和审计文件

配置参数（在脚本开头修改）：

• ROOT_DIRECTORY：VASP计算结果目录
• OUTPUT_CSV：输出数据集文件名
• OUTPUT_AUDIT_CSV：输出审计文件名

2. 合并多个数据集

将多个数据集合并为一个完整训练集：

# 在仓库根目录执行
python scripts/merge_datasets.py

脚本位置：scripts/merge_datasets.py

功能：

• 合并多个CSV格式的训练数据集
• 自动去重并分配交叉验证折数
• 生成统一格式的完整数据集

配置参数（在脚本开头修改）：

• ROOT_DATA_DIR：数据集所在目录
• INPUT_CSV_PATTERN：输入文件匹配模式
• OUTPUT_BASENAME：输出文件名前缀
• NUM_FOLDS：交叉验证折数

二、模型训练

1. 准备训练配置文件

创建或修改config.json文件：

{
    "training": {
        "workers": 20,
        "epochs": 100,
        "batch_size": 16,
        "learning_rate": 1e-3,
        "weight_decay": 1e-4,
        "node_feature_len": 64,
        "edge_feature_len": 64,
        "n_layers": 3,
        "n_readout_layers": 3,
        "device": "cuda",
        "val_fold": 0,
        "resume": false,
        "weight_energy": 1.0,
        "weight_force": 1.0,
        "weight_stress": 1.0
    },
    "data": {
        "data_path": "./",
        "data_file": "merged_training_dataset.csv"
    }
}

关键参数说明：

• batch_size：批处理大小，影响内存使用和训练速度
• learning_rate：学习率，影响训练收敛速度和稳定性
• n_layers：模型层数，影响模型复杂度和表达能力
• device：计算设备，可选"cuda"或"cpu"
• data_file：训练数据集文件名

2. 启动训练

# 使用conda环境
conda activate gptff

# 启动训练（后台运行）
nohup python -m gptff.trainer config.json > training.log &

# 监控训练进度
tail -f training.log

训练脚本：gptff/trainer.py

训练过程：

• 自动加载数据集并划分训练/验证集
• 构建和训练图神经网络模型
• 定期保存检查点和最佳模型
• 输出训练和验证损失

三、结构优化应用

使用训练好的模型进行结构优化

# 在仓库根目录执行
python scripts/结构优化v3.py initial_structure.vasp

脚本位置：scripts/结构优化v3.py

功能：

• 使用训练好的GPTFF模型进行结构优化
• 自动识别并固定底层原子（适用于表面吸附体系）
• 定期保存优化过程中的中间结构
• 输出优化后的最终结构和能量

配置参数（在脚本开头修改）：

• MODEL_PATH：训练好的模型路径
• MAX_STEPS：最大优化步数
• FMAX_TARGET：力收敛阈值(eV/Å)
• SAVE_INTERVAL：保存中间结构的间隔步数

编程方式调用结构优化

import torch
from gptff.model.mpredict import ASECalculator
from pymatgen.core import Structure
from pymatgen.io.ase import AseAtomsAdaptor
from ase.optimize.fire import FIRE

# 加载模型和结构
model_path = "gptff/9_15best_checkpoint.pth"
device = 'cuda' if torch.cuda.is_available() else 'cpu'
calculator = ASECalculator(model_path, device)
structure = Structure.from_file("initial_structure.vasp")
atoms = AseAtomsAdaptor.get_atoms(structure)
atoms.calc = calculator

# 执行结构优化
dyn = FIRE(atoms)
dyn.run(fmax=0.01, steps=300)

# 保存优化结果
atoms.write("optimized_structure.vasp", format='vasp')
print(f"优化后能量: {atoms.get_potential_energy()} eV")

常见问题与解决方案

1. 训练过程中断

   • 检查GPU内存使用情况，尝试减小batch_size
   • 检查数据集格式是否正确
   • 查看日志文件确认具体错误

2. 结构优化不收敛

   • 增加MAX_STEPS值（默认可能太小）
   • 调整FMAX_TARGET值（可能太严格）
   • 检查初始结构是否合理