概要
DeePMD-kit は、原子レベルの参照データ、機械学習ポテンシャルの開発、分子動力学への導入をつなぎます。単一の予測モデルではなくツールキットであり、ユーザーは事前学習済みの DPA4 チェックポイントを適応させることも、モデルを設定してゼロから学習することもできます。ドキュメントに記載された対象範囲は、有限分子、周期固体、共有結合系、金属であり、単一タスク、マルチタスク、分散学習のワークフローが用意されています。
学習とファインチューニングでは、DeePMD の NumPy 形式の目的参照データを使用します。構造やトラジェクトリの変換には dpdata を利用できます。選択したモデルに応じて、エネルギー、原子力、ビリアル、Hessian、磁気力、双極子、分極率、その他の物理特性を予測できます。ワークフローはテストとモデルのエクスポートへ進み、その後、Python またはネイティブの推論インターフェース、および LAMMPS や i-PI などの対応シミュレーションエンジンを利用できます。DPA-ADAPT は、対応する事前学習済み表現を再利用して下流の物性を予測する別の方法を提供します。
モデルの選択は導入時の制約に影響します。README では DPA4 を精度重視のアーキテクチャ、DPA4C をスループット重視の代替として紹介していますが、いずれかが常に優れているとは述べていません。DPA4 は PyTorch を使用し、DPA4C は PyTorch Exportable バックエンドを使用します。DPA4C の圧縮 CUDA 推論パスでは float32 が必要です。さらに、バックエンドとインターフェースの対応状況はモデルや機能によって異なります。提供されている事前学習済み OMat24 チェックポイントは、その化学空間に属する無機材料を対象としているため、その範囲外での精度は検証が必要です。これらの制約を踏まえ、シミュレーションに導入する前に、対象領域の評価と互換性の確認を行うことが重要です。
主な機能
- 事前学習済み DPA4 チェックポイントのフルモデル・ファインチューニングに加え、単一タスク、マルチタスク、分散ワークフローによるゼロからの学習。
- モデルに応じて、エネルギー、力、ビリアル、Hessian、スピン関連量、双極子、分極率、状態密度、カスタム物性を予測。
- 選択されたモデルで TensorFlow、PyTorch、JAX、Paddle をサポートし、互換性のあるアーキテクチャ向けの変換パスを提供。
- テスト、フリーズ、埋め込み抽出、対応するモデル圧縮およびエクスポートパス。AOTInductor .pt2 エクスポートを含む。
- Python、C、C++、Node.js の推論インターフェースに加え、LAMMPS、i-PI、ASE など、ドキュメントに記載されたシミュレーション連携。
- DPLR 静電相互作用、QM/MM 向けの DPRc 長距離補正、解析的 ZBL 接続など、ハイブリッドポテンシャルと物理補正。
用途
- 評価案：対象とする無機材料の参照データで OMat24 DPA4 チェックポイントをファインチューニングし、分子動力学への導入前に精度を評価する。
- 評価案：付属の水の例を使用し、特定のワークロードにおける精度、スループット、導入要件について DPA4 と DPA4C を比較する。
- 評価案：DPA-ADAPT を通じて対応する事前学習済み表現を再利用し、下流の物性を予測する。
- 評価案：磁気力、双極子、または分極率の予測に、対応するスピン対応モデルまたは応答物性モデルが利用可能か評価する。
使い方
- インストールガイドを参照し、使用するバックエンドとハードウェアに合った、ドキュメント記載のインストール方法を選択します。提供された情報では Python 3.10 以降が必要です。
- モデルガイドを使って、物理的な予測対象と互換性のあるアーキテクチャを選びます。事前学習済みモデルを出発点にするか、ゼロから学習するかを決め、バックエンドと導入上の制約を確認します。
- DeePMD の NumPy 形式で、対象の学習データと検証データを準備します。構造やトラジェクトリの変換には、dpdata のガイダンスを利用します。
- ファインチューニングガイドまたはクイックスタートノートブックに従います。事前学習済み DPA4 を適応させる場合は、対応する公開済み設定を使い、model section 全体と type_map を保持してください。
- テストのガイダンスに従って対象領域での予測を評価し、導入前にエクスポートのガイダンスと連携ハブを確認します。