Download GPTFF - Download do código-fonte GPTFF

GPTFF (campo de força de transformador pré-treinado baseado em gráfico) pode simular sistemas inorgânicos arbitrários com boa precisão e generalização.

Instalação

Usando conda para criar um novo ambiente virtual python (não necessário):

conda create -n gptff python=3.8

Em seguida, clone o repositório GPTFF e instale:

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

Uso

Cálculo de energia rápida (eV), força (eV/Å), tensão (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)

Otimização de Estrutura:

Os vetores da rede seriam alterados

 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 )

Os vetores da rede não seriam alterados, apenas as posições atômicas seriam otimizadas

 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 )

Dinâmica molecular (ASE): Suportaremos LAMMPS com GPTFF posteriormente.

 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 )

Treinamento de modelo

config.json seriam parâmetros de treinamento, você poderia especificar o caminho dos dados neste arquivo.

gptff_trainer config.json

Dados

Se quiser pré-treinar ou ajustar o campo de força com base em seu próprio conjunto de dados, você pode preparar seu próprio conjunto de dados conforme abaixo:

O conjunto de dados deve ser armazenado em arquivo no formato .csv , existem várias colunas:

struct_id : ID de estrutura exclusiva, por exemplo, 0, 1, 2, ..

energy : Energia total da estrutura (eV)

forces : As forças de cada átomo (eV/Å)

stress : A tensão da estrutura (kBar, alinhe diretamente com a saída de tensão VASP)

structure : formato de ditado da estrutura.

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

fold : você pode especificar qual dobra será treinada e qual dobra será validada. Se você definir fold em config.json como 0 , o fold !=0 é o conjunto de dados de treinamento, fold == 0 seria o conjunto de dados de validação.

ref_energy : energia de referência da estrutura, por exemplo, a fórmula da estrutura é Li2O4, a ref_energy de Li2O4 é: atom_refs[3] * 2 + atom_refs[8] * 4. 3 e 8 são da ordem atômica de Li e O, 2 e 4 são números de átomos na estrutura.

No modelo que pré-treinamos, o atom_refs é:

 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 ])

Ou você pode ajustar seu próprio atom_refs .

Configuração de treinamento

O arquivo config.json inclui configurações de treinamento,

trabalhadores: O número de trabalhadores para o dataloader
épocas: o número de épocas de treinamento
batch_size: tamanho do lote para treinamento, o número de estruturas usadas em uma etapa (lote)
node_feature_len: O tamanho do comprimento do recurso do nó (átomo)
edge_feature_len: O tamanho do comprimento do recurso de borda (ligação)
n_layers: O número de camadas do modelo GPTFF
dispositivo: cpu ou cuda
val_fold: dados de validação de rótulo durante o treinamento
transformer_activate: Se ativar o bloco transformer ou não
peso_energia: fator de peso da energia
peso_força: fator de peso das forças
Weight_stress: Fator de peso do estresse, se não houver dados de estresse, defina-o como 0

Referência

Se você achou o GPTFF útil, cite nosso artigo:

 @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