Descarga de GPTFF - Descarga del código fuente de GPTFF

GPTFF (campo de fuerza de transformador preentrenado basado en gráficos) puede simular sistemas inorgánicos arbitrarios con buena precisión y generalización.

Instalación

Usando conda para crear un nuevo entorno virtual de Python (no es necesario):

conda create -n gptff python=3.8

Luego clona el repositorio GPTFF e instala:

git clone https://github.com/atomly-materials-research-lab/GPTFF.git
cd GPTFF
pip install .

Uso

Cálculo rápido de energía (eV), fuerza (eV/Å), tensión (GPa):

 from gptff . model . mpredict import ASECalculator
from pymatgen . core import Structure
from pymatgen . io . ase import AseAtomsAdaptor

model_weight = "pretrained/gptff_v1.pth"
device = 'cuda' # or cpu
p = ASECalculator ( model_weight , device ) # Initialize the model and load weights

adp = AseAtomsAdaptor ()
struc = Structure . from_file ( 'POSCAR_structure' )
atoms = adp . get_atoms ( struc )
atoms . set_calculator ( p )

energy = atoms . get_potential_energy () # unit (eV)
forces = atoms . get_forces () # unit (eV/Å)
stress = atoms . get_stress () # unit (GPa)

Optimización de la estructura:

Los vectores reticulares se cambiarían.

 from gptff . model . mpredict import ASECalculator
from pymatgen . core import Structure
from pymatgen . io . ase import AseAtomsAdaptor
from ase . optimize . fire import FIRE
from ase . constraints import ExpCellFilter , StrainFilter

model_weight = "pretrained/gptff_v1.pth"
device = 'cuda' # or cpu
p = ASECalculator ( model_weight , device ) # Initialize the model and load weights


struc = Structure . from_file ( 'POSCAR_structure' ) # Read structure

adp = AseAtomsAdaptor ()
atoms = adp . get_atoms ( struc )
atoms . set_calculator ( p )

optimizer = ExpCellFilter ( atoms ) 

FIRE ( optimizer ). run ( fmax = 0.01 , steps = 100 )

Los vectores reticulares no cambiarían, solo se optimizarían las posiciones atómicas.

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

model_weight = "pretrained/gptff_v1.pth"
device = 'cuda' # or cpu
p = ASECalculator ( model_weight , device ) # Initialize the model and load weights


struc = Structure . from_file ( 'POSCAR_structure' ) # Read structure

adp = AseAtomsAdaptor ()
atoms = adp . get_atoms ( struc )
atoms . set_calculator ( p )

optimizer = BFGS ( atoms )
optimizer . run ( fmax = 0.01 , steps = 1000 )

Dinámica molecular (ASE): admitiremos LAMMPS con GPTFF más adelante.

 from gptff . model . mpredict import ASECalculator
from pymatgen . core import Structure
from pymatgen . io . ase import AseAtomsAdaptor
from ase import Atoms , units
from ase . md . nvtberendsen import NVTBerendsen
import os

model_weight = "pretrained/gptff_v1.pth"
device = 'cuda' # or cpu
p = ASECalculator ( model_weight , device ) # Initialize the model and load weights


struc = Structure . from_file ( 'POSCAR_structure' ) # Read structure

adp = AseAtomsAdaptor ()
atoms = adp . get_atoms ( struc )
atoms . set_calculator ( p )

save_dir = './results_path'
os . makedirs ( save_dir , exist_ok = True )

temp = 430 # unit (K)
dyn = NVTBerendsen ( atoms = atoms , 
                   timestep = 2 * units . fs ,
                   temperature = temp , # unit (K)
                   taut = 200 * units . fs , 
                   loginterval = 20 , # Save md information and trajectory every 20 steps
                   logfile = os . path . join ( save_dir , f'output.txt' ),  # Information printer
                   trajectory = os . path . join ( save_dir , f'Li3PO4_nvt_out_ { temp } K.trj' ), # Trajectory recorder
                   append_trajectory = True )
dyn . run ( 100000 )

Entrenamiento modelo

config.json serían parámetros de entrenamiento, puede especificar la ruta de datos en este archivo.

gptff_trainer config.json

Datos

Si desea entrenar previamente o ajustar el campo de fuerza en función de su propio conjunto de datos, puede preparar su propio conjunto de datos como se muestra a continuación:

El conjunto de datos debe almacenarse en un archivo en formato .csv , hay varias columnas:

struct_id : ID de estructura única, por ejemplo, 0, 1, 2, ..

energy : Energía total de la estructura (eV)

forces : Las fuerzas de cada átomo (eV/Å)

stress : El estrés de la estructura (kBar, alinearse con la salida de estrés VASP directamente)

structure : formato dict de la estructura.

 from pymatgen . core import Structure
struc = Structure . from_file ( 'POSCAR' )
struc_data = struc . as_dict ()

fold : puede especificar qué pliegue se entrenará y qué pliegue se validará. Si configura fold en config.json en 0 , el fold !=0 es un conjunto de datos de entrenamiento, fold == 0 sería un conjunto de datos de validación.

ref_energy : Energía de referencia de la estructura. Por ejemplo, la fórmula de la estructura es Li2O4, la ref_energy de Li2O4 es: atom_refs[3] * 2 + atom_refs[8] * 4. 3 y 8 son orden atómico de Li y O, 2 y 4 son números de átomos en la estructura.

En el modelo que hemos entrenado previamente, atom_refs es:

 atom_refs = np . array ([ 
       0.00000000e+00 , - 3.46535853e+00 , - 7.56101906e-01 , - 3.46224791e+00 ,  
       - 4.77600176e+00 , - 8.03619240e+00 , - 8.40374071e+00 , - 7.76814618e+00 ,
       - 7.38918302e+00 , - 4.94725878e+00 , - 2.92883670e-02 , - 2.47830716e+00 ,
       - 2.02015956e+00 , - 5.15479820e+00 , - 7.91209653e+00 , - 6.91345095e+00 ,
       - 4.62278149e+00 , - 3.01552069e+00 , - 6.27971322e-02 , - 2.31732442e+00 ,
       - 4.75968073e+00 , - 8.17421803e+00 , - 1.14207788e+01 , - 8.92294483e+00 ,
       - 8.48981509e+00 , - 8.16635547e+00 , - 6.58248850e+00 , - 5.26139665e+00 ,
       - 4.48412068e+00 , - 3.27367370e+00 , - 1.34976438e+00 , - 3.62637456e+00 ,
       - 4.67270042e+00 , - 4.13166577e+00 , - 3.67546394e+00 , - 2.80302539e+00 ,
        6.47272418e+00 , - 2.24681188e+00 , - 4.25110577e+00 , - 1.02452951e+01 ,
       - 1.16658385e+01 , - 1.18015760e+01 , - 8.65537518e+00 , - 9.36409198e+00 ,
       - 7.57165084e+00 , - 5.69907599e+00 , - 4.97159232e+00 , - 1.88700594e+00 ,
       - 6.79483530e-01 , - 2.74880153e+00 , - 3.79441765e+00 , - 3.38825264e+00 ,
       - 2.55867271e+00 , - 1.96213610e+00 ,  9.97909972e+00 , - 2.55677995e+00 ,
       - 4.88030347e+00 , - 8.86033743e+00 , - 9.05368602e+00 , - 7.94309693e+00 ,
       - 8.12585485e+00 , - 6.31826210e+00 , - 8.30242223e+00 , - 1.22893251e+01 ,
       - 1.73097460e+01 , - 7.55105974e+00 , - 8.19580521e+00 , - 8.34926874e+00 ,
       - 7.25911206e+00 , - 8.41697224e+00 , - 3.38725429e+00 , - 7.68222088e+00 ,
       - 1.26297007e+01 , - 1.36257602e+01 , - 9.52985029e+00 , - 1.18396814e+01 ,
       - 9.79914325e+00 , - 7.55608603e+00 , - 5.46902454e+00 , - 2.65092136e+00 ,
        4.17472161e-01 , - 2.32548971e+00 , - 3.48299933e+00 , - 3.18067109e+00 ,
        3.57605604e-15 ,  9.96350211e-16 ,  1.18278079e-15 , - 1.44201673e-15 ,
       - 6.73760309e-18 , - 5.48347781e+00 , - 1.03346396e+01 , - 1.11296117e+01 ,
       - 1.43116273e+01 , - 1.47003999e+01 , - 1.54726487e+01 ])

O puede colocar su propio atom_refs .

Entorno de entrenamiento

El archivo config.json incluye configuraciones de entrenamiento,

trabajadores: el número de trabajadores para el cargador de datos
épocas: el número de épocas de entrenamiento
lote_size: tamaño del lote para entrenamiento, la cantidad de estructuras utilizadas en un paso (lote)
node_feature_len: el tamaño de la longitud de la característica del nodo (átomo)
edge_feature_len: el tamaño de la longitud de la característica del borde (enlace)
n_layers: el número de capas del modelo GPTFF
dispositivo: cpu o cuda
val_fold: datos de validación de etiquetas durante el entrenamiento
transformador_activate: Si activa el bloque transformer o no
Weight_energy: Factor de peso de la energía.
Weight_force: Factor de peso de las fuerzas.
weight_stress: Factor de peso del estrés, si no hay datos de estrés, configúrelo en 0

Referencia

Si GPTFF le resultó útil, cite nuestro artículo:

 @article{XIE2024,
title = {GPTFF: A high-accuracy out-of-the-box universal AI force field for arbitrary inorganic materials},
journal = {Science Bulletin},
year = {2024},
issn = {2095-9273},
doi = {https://doi.org/10.1016/j.scib.2024.08.039},
url = {https://www.sciencedirect.com/science/article/pii/S2095927324006327},
author = {Fankai Xie and Tenglong Lu and Sheng Meng and Miao Liu},
keywords = {Data Science, Molecular Dynamics, Graph Neural Network, Universal Fore Field},
}

Expandir