概览
DeePKS-kit 支持为量子化学体系开发学习型能量泛函。README 将微扰方案 DeePHF 与自洽方案 DeePKS 区分开来。所提供的资料描述的是一个用于训练模型并将其用于电子结构计算的 Python 库和命令行工具包，而非某个单一的预训练预测模型。
其 deepks 接口将工作流程划分为五种操作。train 用于拟合基于神经网络的 post-HF 能量泛函，而 test 则使用提供的数据评估 post-HF 模型并报告统计信息。scf 使用提供的能量模型执行自洽场计算，stats 则汇总 SCF 结果的统计信息。iterate 将这些操作组合起来，用于迭代训练自洽模型。因此，文档所述的输入包括模型训练或测试数据、用于 SCF 计算的能量模型以及配置参数；输出包括训练后的模型、计算结果和统计报告。来源摘录没有说明完整的数据模式或输出格式。
README 指向单个水分子和水团簇训练的示例，并提供了本地执行而非 Slurm 调度的单独配置说明。它还链接了一篇方法学论文，供读者进一步了解背景。由于该软件包不会自动安装 PyTorch 和 PySCF，因此必须单独安装。尽管项目将其目标描述为构建准确的能量泛函，但来源摘录中没有基准测试结果能够证明其在特定体系上的准确性、可迁移性或计算成本。
主要功能
- 支持微扰 DeePHF 和自洽 DeePKS 两种能量泛函工作流程。
- 提供 `deepks train`，用于拟合基于神经网络的 post-HF 能量泛函模型。
- 提供 `deepks test`，用于在提供的数据上评估 post-HF 模型并报告统计信息。
- 通过 `deepks scf` 使用提供的能量模型执行自洽场计算，并通过 `deepks stats` 汇总结果统计信息。
- 通过 `deepks iterate` 组合训练、测试、SCF 计算和统计操作，以训练自洽模型。
- 提供单个水分子和水团簇示例的文档，包括输入参数说明，以及可替代 Slurm 的本地执行配置。
使用场景
- 评估建议：使用单个水分子示例了解文档所述工作流程，再将其调整用于其他量子化学体系。
- 评估建议：使用合适的给定数据训练和测试 post-HF 能量泛函，并利用报告的统计信息评估其表现。
- 评估建议：结合水团簇示例探索迭代式自洽模型训练，并按照预先定义的评估方案比较结果。
使用方式
- 阅读项目 README，选择微扰 DeePHF 或自洽 DeePKS 工作流程。查阅链接的方法学论文，了解科学背景。
- 按照 README 准备 Python 环境。在安装 DeePKS-kit 之前，分别安装 PyTorch 和 PySCF；这些依赖不会自动安装。
- 按照 README 中的仓库安装流程操作，然后查看其中链接的单个水分子示例，将其作为初步评估案例，而不要假定它适用于新体系。
- 对于水团簇训练，请查看 README 链接的
args.yaml参数说明。如果打算在本地执行而非使用 Slurm，请查看链接的shell.yaml配置。 - 根据工作流程选择文档中介绍的
train、test、scf、stats或iterate操作。使用所选数据评估产生的统计信息；来源摘录无法证明该工具在文档示例之外的表现。