GPTFF 다운로드 - GPTFF 소스 코드 다운로드

GPTFF(Graph-based Pretrained Transformer Force Field)는 우수한 정밀도와 일반화 가능성으로 임의의 무기 시스템을 시뮬레이션할 수 있습니다.

설치

conda 사용하여 새로운 Python 가상 환경 만들기(필요하지 않음):

conda create -n gptff python=3.8

그런 다음 GPTFF 저장소를 복제하고 설치합니다.

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

용법

빠른 에너지(eV), 힘(eV/Å), 응력(GPa) 계산:

 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)

구조 최적화:

격자 벡터가 변경됩니다.

 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 )

격자 벡터는 변경되지 않고 원자 위치만 최적화됩니다.

 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 )

분자 역학(ASE): 나중에 GPTFF 사용하여 LAMMPS 지원할 예정입니다.

 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 )

모델 훈련

config.json 학습 매개변수이므로 이 파일에 데이터 경로를 지정할 수 있습니다.

gptff_trainer config.json

데이터

자체 데이터 세트를 기반으로 역장을 사전 훈련하거나 미세 조정하려면 아래와 같이 자체 데이터 세트를 준비할 수 있습니다.

데이터 세트는 .csv 형식 파일로 저장되어야 하며 다음과 같은 여러 열이 있습니다.

struct_id : 고유한 구조 ID(예: 0, 1, 2, ..)

energy : 구조물의 총에너지(eV)

forces : 각 원자의 힘(eV/Å)

stress : 구조물의 스트레스(kBar, VASP 스트레스 출력과 직접 정렬)

structure : 구조의 dict 형식입니다.

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

fold : 학습할 접힘과 검증할 접기를 지정할 수 있습니다. config.json에서 접기를 0 으로 설정한 경우 fold !=0 은 훈련 데이터 세트이고, fold == 0 은 검증 데이터 세트입니다.

ref_energy : 구조의 기준 에너지, 예를 들어 구조식은 Li2O4, Li2O4의 ref_energy는 다음과 같습니다:atom_refs[3] * 2 +atom_refs[8] * 4. 3 과 8 은 Li와 O의 원자 순서입니다. 2 와 4 구조의 원자 번호입니다.

우리가 사전 훈련한 모델에서 atom_refs 는 다음과 같습니다.

 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 ])

또는 당신 자신의 atom_refs 에 맞출 수도 있습니다.

훈련 설정

config.json 파일에는 훈련 설정이 포함되어 있습니다.

작업자: 데이터로더의 작업자 수
epochs: 훈련 epoch의 수
배치_크기: 학습을 위한 배치 크기, 한 단계(배치)에 사용되는 구조 수
node_feature_len: 노드(원자) 형상 길이의 크기
edge_feature_len : 엣지(본드) 형상 길이의 크기
n_layers: GPTFF 모델의 레이어 수
장치: cpu 또는 cuda
val_fold: 훈련 중 라벨 검증 데이터
Transformer_activate: transformer 블록을 활성화할지 여부
Weight_energy: 에너지의 가중치 계수
Weight_force: 힘의 가중치 계수
Weight_stress: 스트레스의 가중치 인자로, 스트레스 데이터가 없는 경우 0 으로 설정해주세요.

참조

GPTFF가 유용하다고 생각되면 다음 기사를 인용해 주세요.

 @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},
}

확장하다