概览
DP-GEN（Deep Potential GENerator）负责协调深度学习原子间势能模型和力场模型的生成。它依赖 DeePMD-kit，并作为分子模拟和第一性原理计算软件之上的工作流层，而不是独立的预训练势模型。资料介绍了一种并发学习方法：对结构进行采样，并选取其中一部分进行第一性原理计算，从而支持模型开发，而无需为每个采样结构都生成标签。
文档列出的入口涵盖主要生成工作流、块体、表面和反应体系的初始数据准备、已有数据集缩减，以及 Deep Potential 测试。示例输入采用 JSON 格式。根据所选工作流，预期输出包括初始训练数据、缩减后的数据集和生成的势模型。DP-GEN 还可准备作业脚本、管理 HPC 作业队列并分析结果，因此处于科学输入准备与执行训练或计算的外部程序之间。
README 列出了与 LAMMPS、Gromacs 和 AMBER 等模拟软件的接口，以及 VASP、PWSCF 和 CP2K 等第一性原理软件的接口。README 还列出对 Slurm、PBS、LSF 和云机器的支持。需要 Python 3.10 或更新版本。这些是文档所述的接口，并不代表这里已测试过某种特定软件组合或集群配置。来源摘录并未确定特定系统的准确性、收敛标准或计算成本；这些仍需针对目标化学体系进行评估。
主要功能
- 并发学习工作流：在开发 Deep Potential 模型的过程中对结构采样，并选取其中一部分进行第一性原理计算。
- 自动准备作业脚本、管理 HPC 队列并分析结果；文档列出对 Slurm、PBS、LSF 和云机器的支持。
- 通过 `dpgen init_bulk`、`dpgen init_surf` 和 `dpgen init_reaction` 提供块体、表面和反应体系的初始数据工作流。
- 提供与 DeePMD-kit、包括 LAMMPS、Gromacs 和 AMBER 在内的分子模拟程序，以及多个第一性原理计算软件包的接口。
- 通过 `dpgen simplify` 缩减已有数据集，并通过 `dpgen autotest` 测试 Deep Potential。
使用场景
- 评估用途：使用初始数据和主要生成工作流开发块体材料的 Deep Potential 模型，然后评估其是否适用于目标模拟。
- 评估用途：使用相应的初始化工作流为表面或反应体系准备初始数据。
- 评估用途：使用 `dpgen simplify` 缩减已有训练数据集，并检查缩减后的数据集是否仍适用于目标模型。
- 评估用途：在投入更大规模的计算任务之前，评估文档所述模拟软件与第一性原理软件组合的 HPC 工作流集成情况。