DPMD和DPGEN使用经验

1. 提交训练后需要跟踪train的情况。有时候由于提交后无法配置GPU资源（被其他程序占用或其他原因），导致训练输出为“nan”，需要重新提交并确保获取GPU资源。
2. 用于训练的数据要正确的设置type.raw。尤其注意初始数据的处理，保证元素顺序，编号正确。
3. 注意测试k-points，dpgen在vasp的INCAR中使用kspacing和kgamma来决定kpoints。一般要求能量收敛到 1 meV/atom ，力分量收敛到 5 meV/A 以下。
4. dpgen 的exploration步骤通过md采样，探索步数一般随着迭代增加到10000~20000即可。一般增加随机的md起点数目比增加探索步数采样更高效。这是最关键的步骤，设计exploration策略时需要考虑实际使用时要探索体系和采样空间相类似。
5. 通过修改machine.json对应配置让dpgen报错停下，用于数据分析和检测。例如设置错误的端口/IP使任务在某步停下。
6. 神经网络拟合能力是很强的，不consistent的数据（不同k点）也能拟合出非常小的能量/力误差。所以，要注意使用测试体系检查势函数质量，测试体系取决于所研究的问题。也要注意输入的DFT数据做好充分的计算参数测试。
7. 注意可视化每轮的训练结果，包括学习曲线（训练误差随batch下降趋势），model_deviation的分布，单点能的收敛和结构正确，对每轮的结果进行分析。
8. dp restart/freeze 要保持在相同的路径下，如果改变了文件夹位置/名称，可以修改checkpoint指明model路径。

DFT单点能

• 一般对体系影响最大的是k点，需要测试不同的k点，k点数目和计算成本是对应的
• 主要的INCAR计算参数是
  • ENCUT（一般取600/650保证quality，对计算速度影响不明显）；
  • ISMEAR=0（ISMEAR=-5的 Bloch方法需要k不小于4个，有时候不能用，测试表明，二者能量/力误差在1e-3以下，ISMEAR=0计算成本更低）
  • spin会对体系有非常大影响，一种brute force做法是直接给一个好的初猜（代码辅助），
  • LASPH可以考虑加入，提高精度，极少量成本。
  • LWAVE，LCHARG关掉，减少计算时间和储存空间浪费。