概览
DeePMD-kit 将原子级参考数据、机器学习势开发和分子动力学部署连接起来。它是一套工具包，而非单一预测模型：用户可以调整预训练的 DPA4 检查点，也可以配置模型从头开始训练。文档所述范围涵盖有限分子、周期性固体、共价体系和金属，并提供单任务、多任务和分布式训练工作流。
训练和微调使用 DeePMD 的 NumPy 格式目标参考数据；dpdata 可用于转换结构和轨迹。根据所选模型，预测结果可以包括能量、原子力、维里、Hessian、磁力、偶极矩、极化率及其他物理性质。工作流从测试和模型导出开始，之后可使用 Python 或原生推理接口以及受支持的模拟引擎，包括 LAMMPS 和 i-PI。DPA-ADAPT 提供了另一种路径，可重用受支持的预训练表征来预测下游性质。
模型选择会影响部署限制。README 将 DPA4 描述为注重精度的架构，将 DPA4C 描述为注重吞吐量的替代方案，但并未声称其中任一种在所有情况下都更优。DPA4 使用 PyTorch，而 DPA4C 使用 PyTorch Exportable 后端；其压缩 CUDA 推理路径要求使用 float32。更广泛地说，后端和接口支持因模型和功能而异。提供的预训练 OMat24 检查点面向该化学空间中的无机材料，因此在该范围之外的准确性需要验证。这些限制意味着，在部署模拟之前，进行目标领域评估和兼容性检查十分重要。
主要功能
- 对预训练 DPA4 检查点进行全模型微调，同时支持从头开始训练，以及单任务、多任务和分布式工作流。
- 根据模型预测能量、力、维里、Hessian、自旋相关量、偶极矩、极化率、态密度和自定义性质。
- 对选定模型支持 TensorFlow、PyTorch、JAX 和 Paddle，并提供兼容架构的转换路径。
- 测试、冻结、嵌入提取，以及受支持的模型压缩和导出路径，包括 AOTInductor .pt2 导出。
- 提供 Python、C、C++ 和 Node.js 推理接口，以及 LAMMPS、i-PI 和 ASE 等有文档说明的模拟集成。
- 混合势和物理修正，包括 DPLR 静电作用、用于 QM/MM 的 DPRc 长程修正，以及解析 ZBL 衔接。
使用场景
- 预期评估：使用目标无机材料参考数据微调 OMat24 DPA4 检查点，并在部署分子动力学模拟之前评估其准确性。
- 预期评估：使用随附的水示例，针对特定工作负载比较 DPA4 和 DPA4C 的准确性、吞吐量及部署要求。
- 预期评估：通过 DPA-ADAPT 重用受支持的预训练表征，以预测下游物理性质。
- 预期评估：评估兼容的自旋感知模型或响应性质模型，以预测磁力、偶极矩或极化率。