一个能真正跑起来的「机器学习势/图网络 + DFT」主动学习闭环:DFT 数据回传 → 合并训练集 → 多模型集成训练 → 不确定性采样 → 生成下一批 VASP 输入。
用于材料性质(形成能 / 带隙)的高通量筛选:把有限的 DFT 算力花在模型最不确定的结构上,而不是均匀撒钱。
以 LiFePO₄ 体系(掺杂 / 缺陷)为开发与验证背景,但流程与体系无关。
flowchart LR
A[候选结构池<br/>cif] --> B[ALIGNN 基模型]
B --> C[生成掺杂/缺陷候选]
C --> D[集成预测<br/>mean ± std]
D --> E[按不确定性排序<br/>+ 组成去重]
E --> F[生成 VASP 输入]
F --> G[DFT 计算<br/>集群 / GPU]
G --> H[解析 OUTCAR<br/>算形成能]
H --> I[合并进训练集]
I --> J[重训 + 新种子集成]
J --> D
每一步都是独立脚本,可单独跑、也可由 active_loop.py 一键串起来。
# 1. 环境(ALIGNN 官方依赖较挑版本,DGL 锁 1.1.2)
conda create -n alignn python=3.10 -y
conda activate alignn
pip install -r requirements.txt
# 2. 结构 + 标签 → ALIGNN 数据集(80/10/10)
python prepare_alignn_data.py
# 3. 训练基模型(RTX 4090 上约 8 min / 400 epoch)
python train_alignn_energy.py
# 4. 一轮完整闭环(数据已回传的前提下)
python active_loop.py --round 2 --parse --merge --train --sample --vasp --n_models 4输出落在 vasp_jobs/doping_round<N>/,可直接打包丢给集群。
| 脚本 | 作用 | 输入 → 输出 |
|---|---|---|
prepare_alignn_data.py |
CIF + 属性表 → ALIGNN 标准 JSON 数据集 | data/structures/*.cif → data/alignn/{formation_energy,band_gap}/{train,val,test}.json |
train_alignn_energy.py |
训练形成能模型,自动 batch 降级,存最佳权重与评估图 | train.json → models/alignn_energy_best.pt、runs/、figures/ |
active_learning.py |
从超胞生成掺杂/缺陷候选并预测 | 超胞 cif → data/candidates/*.cif、round1_query.csv |
ensemble_uncertainty.py |
4 个不同种子模型集成,输出 mean ± std 排序 | models/*.pt → round1_query.csv |
parse_dft_results.py |
解析回传 OUTCAR,按 MP 定义算 formation_energy_per_atom |
data/dft/**/OUTCAR → dft_results.csv |
active_loop.py |
编排器:--parse --merge --train --sample --vasp 可任意组合 |
全流程 |
infer_alignn.py |
批量推理(形成能 + 带隙),支持 --top_k 取最稳定 |
data/candidates/*.cif → candidates_predictions.csv |
data/
├── structures/ 原始 CIF
├── candidates/ 候选结构(含每轮生成的)
├── alignn/ ALIGNN 数据集
├── dft/ DFT 回传(<task>/<candidate_id>/OUTCAR)
├── active_learning/ 每轮采样清单
└── references.json 元素参考态化学势(形成能必需)
models/ 模型权重(含 seed0..3 集成)
vasp_jobs* / aimd_templates/ 生成的计算输入
SizeBucketBatchSampler:按原子数排序分批,否则 168 原子的大结构会和小结构叠在一批里,显存炸。lg_on_fly=False:开了线上计算线图会慢 1000 倍,必须预计算。- DGL 必须锁
1.1.2,升级到 2.x 会直接崩;训练走alignn_atomwise_pure纯 torch 路径。 dataset[idx]=None:get_torch_dataset写 LMDB 后会污染索引,必须先算 sizes 再调用。- 形成能 ≠ 总能:标签必须用
formation_energy_per_atom(要参考态化学势),用energy_per_atom训出来的模型筛选结果是错的。 - 组成去重:同一掺杂成分的 c0/c1/c2 构型能量差常只有 ±0.05 eV/atom,采样时只留不确定性最高的一个,省下大量 DFT 机时。
MIT