DeePMD-kit：深度势分子动力学模拟框架

为什么需要 DeePMD-kit：第一性原理太慢、经典力场不准 → 神经网络势

第一性原理分子动力学（AIMD）每一步都要重复求解电子结构方程，DFT 计算 100–1000 原子体系单步耗时在秒到分钟级别，一天只能推进几皮秒，而研究相变、离子输运、化学反应通常需要数百皮秒以上的轨迹，算力成本极高。经典力场（如 LJ、EAM、CHARMM）虽然快，但把原子间相互作用固定为经验函数形式，无法描述化学键断裂、极化变化、电荷转移等过程，体系一旦发生反应或相变就失效。

DeePMD 用神经网络把「原子局部环境 → 原子能量/力」的映射学习出来。训练数据来自 DFT，因此精度由 DFT 决定；推理只是一串矩阵乘法，速度与经典力场同量级，在 GPU 上可模拟数十万原子达到纳秒级，比 AIMD 快约三个数量级。神经网络势天然可微，能同时输出能量、力与应力，满足 NPT、NVE 等系综需求。

与 MACE 等学术型 Python 势能工具相比，DeePMD-kit 更像一条「生产管线」：自带数据转换、训练、冻结、压缩与 LAMMPS/GROMACS/OpenMM/ABACUS 多引擎接口，二十分钟可以从零跑通全流程；代价是底层后端切换（v2 用 TensorFlow、v3 用 PyTorch）会带来版本迁移成本。

安装与环境配置：4 步就绪

1. 创建 conda 环境。DeepModeling 官方 conda 频道提供 CPU/GPU 预编译包，GPU 版使用 https://conda.deepmodeling.com 频道，CPU 版使用 .org 频道。GPU 机器请先确认驱动对应的 CUDA 版本。

2. 安装 LAMMPS 与 dpdata。官方频道提供内置 pair_style deepmd 的预编译 LAMMPS；dpdata 用于把 DFT 输出转换为训练数据。v3 走 pip 路线时先装好匹配 CUDA 的 PyTorch。

3. 验证安装。dp --version 能输出版本号即为成功；dp train -h 可查看训练命令帮助。GPU 可用性可用 nvidia-smi 确认。

4. 项目规划。训练需要的数据是「构型 + 对应的 DFT 能量与原子力」，可来自 VASP、ABACUS、QE、CP2K 等，也可直接用社区公开数据集。

# conda 安装（推荐，官方频道预编译）conda create -n deepmd deepmd-kit --channel https://conda.deepmodeling.orgconda activate deepmd# 安装内置 pair_style deepmd 的 LAMMPS 与数据转换工具conda install lammps --channel https://conda.deepmodeling.orgpip install dpdata# 验证dp --version

快速上手：10 分钟跑通「数据→训练→冻结→MD」

最小可用流程的思路是：把一批带 DFT 能量/力的构型转成 DeepMD 数据格式，写一个 input.json 描述神经网络结构，训练后用 dp freeze 冻结成推理图模型 graph.pb，最后在 LAMMPS 中加载它跑分子动力学。以下以 VASP 输出（OUTCAR）为例：

1. 数据准备。用 dpdata 读取 OUTCAR，随机划分训练集与验证集，输出为 data/train、data/valid 两个 npy 目录。数据量建议至少数百条构型（水体系官方示例常用 5000+ 帧）。

2. 写 input.json。核心是 model 部分：type_map 列出元素（顺序即元素类型编号），descriptor 用 se_e2_a 描述符（把每个原子的近邻环境编码为网络输入），sel 按元素顺序给出截止半径内近邻原子数上限，fitting_net 是拟合原子能量的神经网络。

3. 训练。dp train input.json，日志写入当前目录 log 下。能量/力的损失权重通过 loss 控制：start_pref_f 取 1000、limit_pref_f 取 1，表示训练初期重点拟合力。

4. 冻结与验证。dp freeze -o graph.pb 输出推理图；dp test 在验证集上输出能量/力 RMSE（均方根误差）。水体系典型 f_rmse 在 0.1 eV/Å 量级。

5. 压缩（可选）。dp compress input.json 压缩嵌入网络，大体系推理提速明显，精度损失通常很小。

6. 跑 MD。LAMMPS 中写 pair_style deepmd graph.pb 即可。pair_coeff 第二行的作用是把 LAMMPS 原子类型映射到 type_map 中的元素。

进阶技巧：用不同随机种子训练 3–4 个模型，dp test -m graph.0.pb graph.1.pb graph.2.pb ... 计算 model deviation（多个模型预测力的标准差），这是官方推荐的误差估计手段；超大体系可改用 se_atten 注意力描述符，训练成本可控且长程精度更好。

# 数据转换：用 dpdata 将 VASP 的 OUTCAR 转为 DeePMD 格式import dpdata, numpy as npsys = dpdata.LabeledSystem("OUTCAR", fmt="vasp/outcar")idx = np.random.choice(sys.get_nframes(), 6000, replace=False)sys.sub_system(idx).to_deepmd_npy("data/train")

{  "model": {    "type_map": ["H", "O"],    "descriptor": {      "type": "se_e2_a",      "sel": [6, 12],      "rcut": 6.0,      "rcut_smth": 0.5    },    "fitting_net": {      "neuron": [240, 240, 240]    }  },  "learning_rate": {    "type": "exp",    "decay_steps": 5000,    "value": 0.001  },  "loss": {    "type": "ener",    "start_pref_e": 0.02,    "limit_pref_e": 1,    "start_pref_f": 1000,    "limit_pref_f": 1  },  "training": {    "training_data": { "systems": ["data/train"] },    "validation_data": { "systems": ["data/valid"] },    "numb_steps": 100000,    "batch_size": 4  }}

# 训练 → 冻结 → 压缩 → 验证dp train input.jsondp freeze -o graph.pbdp compress input.jsondp test -m graph.pb -s data/valid -n 100   # 输出 e_rmse / f_rmse

units           metalatom_style      atomicboundary        p p pread_data       water.lmppair_style      deepmd graph.pbpair_coeff      * * graph.pb H Otimestep        0.0005fix             1 all nvt temp 300 300 0.1run             10000

核心能力详解：5 大支柱

支柱一·端到端训练管线。从 DFT 原始输出（VASP、ABACUS、QE、CP2K、Gaussian 等 50+ 格式）到可部署图模型，官方工具链全部打通：dpdata 负责格式转换与数据划分，dp train 支持训练/验证集分离、学习率衰减、随机种子复现，dp freeze 把 TensorFlow/PyTorch 训练产物冻结为单一 graph.pb，dp compress 再做推理优化。单一 input.json 控制全部超参数，便于版本管理。

支柱二·描述符与拟合网络。描述符（descriptor）把原子局部环境编码为神经网络输入特征。se_e2_a 是两体嵌入平滑描述符，是默认与最常用的选择；se_e3 支持三体环境；se_atten 引入注意力机制，适合大体系与长程相互作用；hybrid 可混合多种描述符。拟合网络（fitting_net）除能量（可同时输出力与应力）外，还支持偶极矩、极化率等性质，可用于光谱性质预测。

支柱三·多引擎生产接口。同一份 graph.pb 可直接被 LAMMPS（pair_style deepmd）、GROMACS、OpenMM、ABACUS、ASE 调用，无需改模型、无需导出其他格式。LAMMPS 配合内置 pair_style 即可跑 NVT/NPT/NVE，该接口由官方随 LAMMPS 发布维护。

支柱四·不确定度与主动学习。model deviation 用多个独立训练模型对同一构型预测力的标准差来量化「模型有多不确定」。当偏差超过阈值时说明构型超出训练分布，需补充 DFT 数据。DP-GEN 把「采样 → 标注 → 训练」自动化，可在无人干预下迭代构建高可靠势能模型，这是 DeePMD 方法在工业落地中最受认可的部分。

支柱五·v3 的 PyTorch 后端与 DP Compiler。v3 将训练后端从 TensorFlow 切换为 PyTorch，训练 API 与分布式扩展能力提升；DP Compiler 可把冻结模型编译为独立 C++ 代码，部署时不再依赖任何深度学习框架运行时，适合嵌入大规模产线。

生产部署与监控：从上线到运维

LAMMPS 产线部署。最直接的部署方式是 conda 安装官方频道预编译 LAMMPS（内置 pair_style deepmd），在生产机上执行 dp test -m graph.pb -s 验证集 -n 100 复核模型精度，确认 f_rmse 达标后即可接入批量 MD 作业。大体系建议先 dp compress，再把压缩模型路径写入 LAMMPS 输入。多 GPU 可并行跑多个副本或分区块采样，注意 LAMMPS 的 MPI 划分与 deepmd 的 GPU 卡绑定（如 CUDA_VISIBLE_DEVICES）。

编译接入部署。v3 的 DP Compiler 面向高吞吐场景：把训练好的模型编译成 C++ 源码，与 LAMMPS 或自研模拟器静态链接，去掉 Python 与 PyTorch 运行时，单机推理开销与启动时间显著下降，适合大规模参数扫描与高通量筛选作业。

可观测性。训练阶段盯 dp test 输出的 e_rmse/f_rmse，而非只盯训练 loss；运行阶段用 2–4 个独立模型对轨迹定期计算 model deviation，max_devi_f 超过预设阈值（通常在 0.1–0.3 eV/Å 量级）时标记构型并触发 DFT 补算。DP-GEN 流水线可将这一闭环自动化，并记录每轮数据分布变化，形成势模型的可追溯版本记录。

<p class="para-label">避坑清单：</p>

<ul class="dash-list"><li>外推风险：DP 是插值模型，训练数据未覆盖的化学环境会给出无物理意义结果，务必用多模型 model deviation 监控运行轨迹。</li><li>版本与依赖：v2 基于 TensorFlow 2、v3 基于 PyTorch，GPU 安装必须匹配 CUDA 版本；v3 对 input.json 部分字段有调整，升级后先做回归测试。</li><li>sel 参数：descriptor 的 sel 是近邻原子数上限，取得小于实际配位数会漏邻居，导致力预测错误，按体系配位数合理配置并用 dp test 复核。</li><li>损失权重：start_pref_f 初值 1000 是官方默认，随意调小会导致力拟合不足，MD 轨迹在几十步内发散。</li></ul>

版本迭代

DeePMD-kit 从 2017 年发布以来经历了三个主要阶段——v0/v1 确立「数据→训练→冻结→LAMMPS」标准工作流；v2 重构后端为 TensorFlow 2，补齐注意力描述符、偶极/极化率拟合与 GROMACS/OpenMM 接口；v3 以 PyTorch 重写训练后端并引入 DP Compiler 编译部署。以下版本与日期按官方 Release 记录整理（截至训练数据，可能已有更新版本）。

AI 应用场景

常见误区

面试题

参考来源

• webpageDeepModeling 官网社区生态与项目入口