maise
1.0.0
Модуль для функций AB initio Structure Evolution (MAISE)
* Описание межтомных взаимодействий на основе нейронной сети
* Эволюционная оптимизация
* Анализ структуры
1. Общая информация
2. Скачать и установку
3. Вход
4. Примеры
5. Настройка ввода Описание тега ввода
Мэйз был разработан
Алексей Колмогоров [email protected]
Самад Хаджиназар Хаджиназар@binghamton.edu
Эрнесто Сандовал [email protected]
Текущая версия 2.9 работает на платформах Linux и объединяет 3 модуля для моделирования, оптимизации и анализа атомных структур.
1 Модуль нейронной сети (NN) создает, тестирует и использует модели NN для описания межатомических взаимодействий с почти абсолютной точностью инициирования при низких вычислительных затратах по сравнению с расчетами функциональной теории плотности.
С основной целью использования моделей NN для ускорения поиска структуры, основной функцией модуля является расслабление заданных структур. Чтобы упростить приложение NN и сравнение, мы тесно связали форматы ввода и выходных файлов с теми, которые используются в программном обеспечении VASP. Ранее параметризованные модели NN, доступные в каталоге «Модели/», были сгенерированы и тщательно протестированы на кристаллические и/или наноструктурированные материалы. Первое практическое применение NNS включает прогноз новых синтезируемых сплавов Mg-CA и M-SN [1-3], а также идентификацию более стабильных наночастиц Cu-PD-AG и AU [4,5].
Пользователи могут создавать свои собственные модели NN с MAISE, которые обычно обучаются по теории функции плотности (DFT) общей энергии и атомных сил для относительно небольших структур. Генерация соответствующих и разнообразных конфигураций выполняется отдельно с протоколом «эволюционной выборки», подробно описанным в нашей опубликованной работе [6]. Код представляет уникальную функцию «стратифицированное обучение», как создать надежные NNS для химических систем с несколькими элементами [6]. Модели NN разработаны иерархическим образом, сначала для элементов, затем для двоичных файлов и т. Д., Которые позволяют генерации многократных библиотек для расширенных блоков в периодической таблице.
2 Реализированный эволюционный алгоритм (EA) обеспечивает эффективную идентификацию конфигураций основного состояния в данном химическом составе. Наши исследования показали, что EA особенно выгоден в работе с большими структурами, когда не доступен экспериментальный структурный вход [7,8].
Поиски могут быть выполнены для трехмерных массовых кристаллов, 2D -пленок и 0D наночастиц. Население структур может быть получена как случайно, либо предопределена на основе предварительной информации. Основными операциями являются «кроссовер», когда новая конфигурация создается на основе двух родительских структур в предыдущем поколении и «мутации», когда родительская структура случайно искажается. Для наночастиц 0D мы ввели мультитрибе -эволюционный алгоритм, который обеспечивает эффективную одновременную оптимизацию кластеров в указанном диапазоне размеров [4].
3 Функции анализа включают сравнение структур, основанных на функции радиального распределения (RDF), определения космической группы и позиций Wyckoff с внешним пакетом SPGlib и т. Д. В частности, продукт DOT на основе RDF имеет важное значение для Устранение дублирующих структур в поисках EA и выбор различных конфигураций в пуле найденных низкоэнергетических структур.
[1] https://pubs.rsc.org/en/content/articlelanding/2018/cp/c8cp05314f#!divabstract
[2] https://www.nature.com/articles/s41524-022-00825-4
[3] https://pubs.rsc.org/en/content/articlelanding/2023/cp/d3cp02817h/unauth
[4] https://pubs.rsc.org/en/content/articlelanding/2019/cp/c9cp00837c#!divabstract
[5] https://pubs.acs.org/doi/10.1021/acs.jpcc.9b08517
[6] https://journals.aps.org/prb/abstract/10.1103/physrevb.95.014114
[7] https://journals.aps.org/prl/abstract/10.1103/physrevlett.109.075501
[8] https://journals.aps.org/prb/abstract/10.1103/physrevb.98.085131
Исходный код для MAISE можно получить из командной линии с помощью работы:
git clone git://github.com/maise-guide/maise.git
или
git clone https://github.com/maise-guide/maise.git
или
wget -O master.zip https://github.com/maise-guide/maise/archive/master.zip unzip master.zip
1 Используйте ' Make -Jobs ' для полной компиляции. Для перекомпиляции используйте «Сделайте чистую», чтобы удалить объектные файлы или «сделать чистоту», чтобы удалить объектные файлы и внешние библиотеки.
2 Во время компиляции MAISE, «Сделайте -JOBS», если присутствуют две необходимые внешние библиотеки, библиотека GSL и SPGLIB v1.11.2.1, февраль 2019 года. Если нет, они будут автоматически загружены на ./ext-dep и установлены в ./lib в большинстве систем.
3 Если установка GSL или Spglib не завершена автоматически, пожалуйста, составьте их вручную и копируйте (i) libgsl.a, libgslcblas.a и libsymspg.a в подкататор; (ii) заголовок «spglib.h». и (iii) все заголовки GSL в подкаталог.
4 Сценарий «проверки» доступен в каталоге. Этот скрипт автоматически проверяет производительность кода в анализе данных, обучении нейронной сети и оценке кристаллической структуры. Если компиляция в порядке, сценарий «проверка» выведет так; В противном случае журналы ошибок будут предоставлены дополнительной информации о проблеме.
Код был тщательно протестирован на платформах Linux. Мы оценим отзывы пользователей по установке и производительности пакета на разных платформах.
Основными входными файлами, которые определяют моделирование, являются «настройка» с настройками задания, «модель» с параметрами NN и «Poscar» с параметрами атомной структуры в формате VASP. Преобразование атомных сред в входы NN на стадии анализа разработки NN требует «базисного» файла, который определяет функции симметрии Behler-Parrinello.
| Эвос | Нне | КЛЕТКА | |||||
| ПОИСК | ЭКЗАМЕН | Разбор | ТРЕНИРОВАТЬСЯ | ТЕСТ | Симул | ЭКЗАМЕН | |
| настраивать | + | + | + | + | + | + | |
| модель | +* | +# | +# | ||||
| основа | + | $ | |||||
| SPG | + | + | |||||
| GSL | + | + | |||||
| * Для стратифицированного обучения необходимо предоставить отдельные модели $ 'base', хранящийся в проанализированном каталоге, добавляется к «модели» в конце обучения # 'Model' имеет «базис», вставленную в конце после завершения обучения | |||||||
Функции осмотра структуры и манипуляции выполняются, вызывая Мэйз с флагом:
maise -flag
| Флаг | Описание флага |
|---|---|
| мужчина | вывести список доступных флагов |
| rdf | Вычислить и построить RDF для POSCAR |
| CXC | вычислить точечный продукт для Poscar0 и Poscar1 с использованием RDF |
| CMP | Сравните RDF, космическую группу и объем POSCAR0 и POSCAR1 |
| SPG | преобразовать Poscar в str.cif, conv, prim |
| CIF | преобразовать str.cif в conv и prim |
| тусклый | Узнайте, является ли POSCAR периодическим (3) или непериодическим (0) |
| тол | Вычислить объем на атом для кристаллических или нано -структур |
| гниль | Поверните наночастицу вдоль собственных векторов моментов инерции |
| монета | перемещать атомы вдоль одного направления постоянным сдвигом |
| коробка | сбросить размер коробки для наночастиц |
| Как дела | Сделайте суперячу, указанный NA X NB X NC |
| эйг | Ячейка смены единицы в Poscar вдоль фонона собственного мода |
| ордена | атомы заказов по видам |
| вне | Извлекать снимки из MD или траектории релаксации в VASP |
В каталоге «Примеры/» есть образцы заданий MAISE для анализа и манипуляций с элементами, данных об анализе, обучения нейронных сетей, моделирования структур с моделями нейронной сети, эволюционного поиска основного состояния с моделью нейронной сети, молекулярной динамикой и расчета фонона. Пример EASH имеет файл readme, файл настройки с соответствующими тегами для конкретного задания, и ссылки на выходные файлы для сравнения.
Основной селектор типа работы
Структура-анвиромант
Главный эвос
ЭВОС Операции
Evos Crossover/Mutation
Молекулярная динамика
Виды связаны
Ввод
Общая модель
Модель нейронной сети
Обучение нейронной сети
Диапазон
Клеточная релаксация
Ведущий
Nmax Mmax
Code Dene Kmsh Lbox ndim nitr nnjb npop rand runt seed sitr sitr tini
Blob Chop Invs Mate Mute Pac
ACRS ADST ELPS LCRS LDST MCRS SCRS SDST
CPLT CPLP ICMP DELT MOVI NSTP MDTP TMAX TMIN TSTP
ASPC NSPC TSPC
Cout Data Depo Eval OTPT WDIR
Ncmp nngt nnnn nnnu nsym
Fmrk lreg ntrn ntst tefs npar
Emax fmax fmin vmax vmin mmax
Etol Mint Mitr Pgpa Rlxt время
| ЯРЛЫК | ОПИСАНИЕ |
|---|---|
| Ведущий | Анализ структуры (00) Использование инструментов анализа, указанные флагами, эволюционный поиск (10) Запустить (11) Анализ мягкого выхода (12) Гард (13), моделирование клеток (20) Релаксация (21) Молекулярная динамика (22) Расчеты фонона, Диаграмма данных (30) Подготовка входных данных для обучения NN, обучение NN (40) Полное обучение (41) Стратифицированное обучение |
| КОД | Тип используемого кода. (0) MAISE-Int (1) VASP-EXT (2) MAISE-EXT |
| Ныне | Количество ядер для параллельного обучения NN или моделирования клеток |
| Мята | Алгоритм оптимизатора для обучения нейронной сети и оптимизации клеток. (Тип минимизатора GSL (0) BFGS2 (1) CG-FR (2) CG-PR (3) SOPEPEP |
| Митр | Максимальное количество этапов оптимизации; Если желаемая точность не достигнута для обучения NN или этапов оптимизации клеток |
| Rlxt | Тип оптимизации ячейки (2) Только сила (3) Полный (7) Объем (ISIF в VASP) |
| Эт | Устойчивость к ошибкам для обучения или конвергенции оптимизации клеток |
| Тефы | Целевое значение обучения (0) E (1) EF (2) ES (3) EFS (4) игрушка |
| FMRK | Доля атомов, которые будут проанализированы для использования для тренингов EF или EFS |
| Кут | Тип вывода в файле Outcar в оценке и оптимизации ячеек |
| Nmax | Максимальное количество атомов в элементарной ячейке |
| Mmax | Максимальное количество соседей в радиусе отсечения |
| NSPC | Количество типов элементов для эволюционного поиска, анализа данных и обучения нейронной сети. |
| TSPC | Атомное число элементов, указанных с тегом NSPC |
| Aspc | Количество атомов каждого элемента для эволюционного поиска |
| NSYM | Количество функций симметрии Behler-Parrinello для данных анализа с использованием файла «базис» |
| NCMP | Длина входного вектора нейронной сети |
| Ntrn | Количество структур, используемых для обучения нейронной сети (отрицательное число означает процент) |
| Ntst | Количество структур, используемых для тестирования нейронной сети (отрицательное число означает процент) |
| Nnnn | Количество скрытых слоев в нейронной сети (не включает в себя входной вектор и выходной нейрон) |
| Nnnu | Количество нейронов в скрытых слоях |
| Nngt | Тип функции активации для нейронов скрытых слоев (0) Линейный (1) TANH |
| Эмакс | Разрабатывать только эту долю структур с самой низкой энергией. От 0 до 1 |
| Fmax | Не будет анализировать данные с силами больше, чем это значение |
| Вмин | Не будет анализировать данные с томом/атом меньше, чем это значение |
| Vmax | Не будет анализировать данные с объемом/атомом больше, чем это значение |
| Ndim | Размерность единичной ячейки в эволюционном поиске и оптимизации клеток (3) Пленка кристаллической (2) (0) |
| Lbox | Размер ящика для генерации частиц в эволюционном поиске у анг (игнорируется для кристаллов) |
| Npop | Размер населения в эволюционном поиске |
| Сит | Запуск итерации в эволюционном поиске (0) начинается с случайных или указанных структур |
| Нит | Количество итераций в эволюционном поиске (должно быть больше, чем SITR) |
| Тини | Тип запуска эволюционного поиска, когда sitr = 0 |
| ВРЕМЯ | Максимальное время для релаксации клеток при эволюционном поиске и оптимизации клеток |
| PGPA | Давление в GPA |
| Дене | Хранить различные структуры, генерируемые в эволюционном поиске в пуле/если в этом окне Energy/Atom (EV/Atom) из основного состояния |
| Кмш | Плотность k-сетки, используемая для VASP-EVOS. Предлагаемые значения: 0,30 для S/C, 0,05 для металлов |
| СЕМЯ | Запуск семян для генератора случайных чисел в эволюционном поиске (0) использует время в качестве семян (+). |
| Ранд | Запуск семян для анализа набора данных. (0) использует время в качестве семян (+) Значение семян (-) Нет рандомизации: структуры проанализируются в порядке листинга |
| Tmin | Минимальная температура в прогонах MD (K) |
| Tmax | Максимальная температура в прогонах MD (K) |
| TSTP | Шаг температуры в MD -прогонах (k) в процессе работы с TMIN TO TMAX |
| Дельт | Временный шаг в пробегах MD |
| NSTP | Количество шагов на температуру в прогонах MD |
| Cplt | Соединение постоянной в термостате с носом для прогонов MD. Предлагается: 25.0 |
| Cplp | Постоянная связь в Brendsen Barostat для MD -прогонов. Предлагается: 100.0 |
| ICMP | Изотермическая сжимаемость в Brendsen Barostat для MD -прогонов (в 1/GPA) |
| Перемещение | Количество шагов, после чего будет сохранен снимок структуры во время MD. |
| MDTP | MD Тип бега (10) NVE (20) NVT: носовой ховер (30) NPT: нос-ховер и Брендсен (40) Изобарический (11,21,31,41) пробегает со скоростью, считываемым из Poscar File |
| Депо | Путь к наборам данных DFT, которые будут проанализированы |
| ДАННЫЕ | Расположение проанализированных данных для разбора или чтения для обучения (будет перезаписано во время анализа) |
| OTPT | Каталог для хранения параметров модели в учебном процессе |
| Оценка | Каталог для данных тестирования моделей |
| WDIR | Рабочий каталог для эволюционного поиска, MD запуска и т. Д. |
| Тепло | Фракция структур, генерируемых случайным образом с использованием операции тетриса. От 0 до 1 |
| Пл | Фракция структур, генерируемых из семян. От 0 до 1 |
| ПАКЕТ | Фракция структур, генерируемых из замкнутых конструкций. От 0 до 1 |
| Капля | Фракция структур, генерируемых случайным образом с использованием формы капли. От 0 до 1 |
| ПРИЯТЕЛЬ | Фракция структур, сгенерированных кроссовером, используя две половинки от каждого родителя. От 0 до 1 |
| МЕНЯТЬ | Фракция структур, генерируемых кроссовером с использованием ядра и оболочки родителей. От 0 до 1 |
| Руб | Фракция конструкций, генерируемых работой куба Рубика. От 0 до 1 |
| Отражение | Фракция структур, генерируемых симметризацией посредством отражения. От 0 до 1 |
| Инв | Фракция структур, генерируемых симметризацией через инверсию. От 0 до 1 |
| НАРЕЗАТЬ | Фракция конструкций, генерируемых путем рубки, чтобы сделать грани. От 0 до 1 |
| НЕМОЙ | Фракция структур, генерируемых случайными искажениями из структуры. От 0 до 1 |
| MCRS | 0,50 скорость мутации в кроссовере |
| Скрипт | 0,00 кроссовер: скорость обмена |
| LCRS | 0,00 кроссовер: сила мутации для векторов решетки |
| Акры | 0,10 кроссовер: сила мутации для атомных положений |
| SDST | 0,00 искажения: скорость обмена |
| LDST | 0,00 искажения: сила мутации для векторов решетки |
| Рекламный | 0,20 искажения: сила мутации для атомных положений |
| Эльпс | 0,30 случайные: эллиптичность наночастиц |
