wget "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"
bash Miniforge3-$(uname)-$(uname -m).sh
Abra um novo shell
mamba create -n deepmd deepmd-kit lammps horovod
mamba activate deepmd
mamba install ase
Vamos fazer uma dinâmica de um sistema pequeno de água líquida (33 moléculas) usando o código LAMMPS (Large-scale Atomic/Molecular Massively Parallel Simulator).
Na pasta sampling você vai encontrar os inputs necessários.
Para rodar, execute:
export OMP_NUM_THREADS=4
lmp -in equilibration.in
lmp -in dynamics.in
Para extrair os dados no formato apropriado para o DeepMD, execute:
chmod +x ./lammps_to_deepmd.py
./lammps_to_deepmd.py
curl -H 'Accept: application/vnd.github.v3.raw' -O -L https://api.github.com/repos/deepmodeling/deepmd-kit/contents/data/raw/raw_to_set.sh
chmod +x ./raw_to_set.sh
raw_to_set.sh 2700
cd data/
mkdir train test
mv set.000 train/
mv set.001 test/
cp type*.raw train/
cp type*.raw test/
cd ..
Vamos treinar uma rede neural com os dados que temos.
O input para o DeepMD está no arquivo water.json.
Ajuste o script run.bsh.
cd train
chmod +x ./run.bsh
./run.bsh
Abra outro shell e monitore o arquivo lcurve.out.
Você pode plotar a convergência do treino executando
./plot_training.py --epoch 2700
Depois que o modelo treinar, vamos congelar os parâmetros
dp freeze -o graph.pb
Copie os arquivos graph.pb (redes neurais do potencial treinado) e equilibration.restart (geometria inicial termalizda) para a pasta run e rode a dinâmica.