DPA-2测评+NEP对比

审核：梁挺

Deep Potential 的目标是利用深度学习技术，构建通用、准确、高效且可扩展的原子间势能模型。该模型主要封装在 DeePMD-kit 中。目前，DeePMD-kit 已经发展到 3.0 版本，其大模型也更新到了 2.0 版本，尽管 DPA-1、DPA-2 的相关论文均未发表。这也体现了广大科研工作者对大模型的迫切需求和殷切期盼。究竟效果如何，使用起来是简单还是复杂，就让我们一探究竟吧~

“分子模拟处于黑暗，神说要有光，于是就有了大模型“

——某资深MD专家

前情提要

Deepmd-kit官方网站：

deepmd-kit github

https://github.com/deepmodeling/deepmd-kit

deepmd-kit documentation

https://docs.deepmodeling.com/projects/deepmd/en/r2

DPA-2 Bohrium教程（网址为Bohrium平台地址）：

https://bohrium.dp.tech/notebooks/16449433825

DeepModeling，公众号：深度势能【DeePMD-kit v3教程1】多后端框架

https://bohrium.dp.tech/notebooks/17411863382

DeepModeling，公众号：深度势能【DeePMD-kit v3教程2】DPA-2模型、多任务训练、微调

https://bohrium.dp.tech/notebooks/42438451216

DeepModeling，公众号：深度势能【DeePMD-kit v3教程3】模型插件机制、训练MACE模型

安装与排错

系统环境检查：

在开始安装之前，请确认您的系统环境。本教程使用的是 Windows 11 上的 WSL2（与 Ubuntu 完全一致）。并且经过测试，本教程所需的命令在任何 Linux 系统上均可运行。

>> $ wget https://mirror.nju.edu.cn/github-release/deepmodeling/deepmd-kit/v3.0.0/deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh.0 -O deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh.0>> $ wget https://mirror.nju.edu.cn/github-release/deepmodeling/deepmd-kit/v3.0.0/deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh.1 -O deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh.1>> $ cat deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh.0 deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh.1 > deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh>> $ sh deepmd-kit-3.0.0-cuda126-Linux-x86_64.sh -b # -u>> $ source ~/deepmd-kit/bin/activate ~/deepmd-kit

提示2：本示例中，将Bohrium平台参考命令中的"/root"替换为"~"，使得其更通用。

排错：

在运行source以及示例的过程中都可能出现以下类似错误：

ModuleNotFoundError: No module named '******'

******代表不同的包名称。这时，需要使用deepmd-kit自带的pip进行安装更新。并且可能需要注意个别包的版本号。例如使用以下命令：

>> $ ~/deepmd-kit/bin/pip install ******

通过不断安装提示中所缺失的安装包，直到最后运行命令没有报错，即可算成功。

提示1：有时会一次性显示多个依赖包未安装的提示，可以使用以上命令完成一次性安装。

提示2：Bohrium平台上给出了以下报错的修复示例：

libdevice not found at ./libdevice.10.bc

运行测试示例

PyTorch：

以下以 PyTorch 版本为例，读者也可自行尝试 TensorFlow 版本。

准备文件并运行测试：

作者建立了新的目录来进行测试，以防止覆盖原文件，因此需要比Bohrium上多些命令、步骤：

>> $ cd ~/gpumd-dp/dpa-2 # 请自行设置测试路径>> $ mkdir github ; cd github>> $ git clone https://github.com/deepmodeling/deepmd-kit>> $ mkdir test ; cd test>> $ cp -r ../deepmd-kit/examples/water/data ../deepmd-kit/examples/water/se_atten_compressible/ ../deepmd-kit/examples/water/lmp/ .>> $ cd se_atten_compressible>> $ sed -i "s/1000000/1000/g" input.json # 如果是详细测试，则不需要这条命令>> $ source ~/deepmd-kit/bin/activate ~/deepmd-kit # 如果需要>> $ ~/deepmd-kit/bin/dp --pt train input.json

提示2：因为使用了新的路径，所以需要将训练集（data）复制到合适的位置（测试目录的上一级）。

提示3：该命令在作者的笔记本电脑（RTX 4060）上运行时间为47 s，和--tf参数的运行时间基本一致。

提示4：运行完成后的目录文件如下：

checkpointinput_v2_compat.json   model.ckpt-1000.pt   out.json  input.json   lcurve.out   model.ckpt.pt

冻结势函数并压缩：

>> $ ~/deepmd-kit/bin/dp --pt freeze>> $ ~/deepmd-kit/bin/dp --pt compress

提示：我们现在得到了2个模型文件，格式为.pth：

• frozen_model.pth

• frozen_model_compressed.pth

MD运行测试：

>> $ cd ../lmp>> $ ~/deepmd-kit/bin/lmp -in pt.in

提示1：pt.in的内容如下：

units        metalboundary     p p patom_style   atomicneighbor     0.0 binneigh_modify every 50 delay 0 check noread_data    water.lmpmass         1 16mass         2 2replicate    2 2 2 # Bohrium: replicate 4 4 4pair_style   deepmd ../se_atten_compressible/frozen_model.pthpair_coeff   * *velocity     all create 330.0 23456789timestep     0.0005thermo_style custom step pe ke etotal temp press volthermo       20run          100run          500

提示2：使用2 2 2的超胞后，作者的笔记本电脑上运行时间为1分25秒，MD运行速度为：11.07 katom-step/s（单核CPU）。

详细测试+对比MACE插件机制

安装支持MACE插件机制的deepmd-kit版本：

注意：以下命令需要完成上述deepmd-kit安装步骤：

>> $ source ~/deepmd-kit/bin/activate ~/deepmd-kit>> $ export CMAKE_PREFIX_PATH=$(python -c "import torch;print(torch.utils.cmake_prefix_path)")>> $ CUDA_BIN_PATH=/usr/local/cuda CUDACXX=/usr/local/cuda/bin/nvcc pip install -v deepmd-gnn --no-binary deepmd-gnn

提示：以上命令需要首先安装cuda等，可以参考“微纳计算“公众号的安装系列文章。

GPUMD-3.9.1 安装教程 (2024)

徐克，公众号：微纳计算GPUMD_3.9.1_2024

运行训练MACE插件机制的输入：

>> $ git clone https://github.com/njzjz/deepmd-gnn>> $ cd deepmd-gnn/examples/water/mace>> $ ##sed -i "s/1000000/2000/g" input.json ## 注意作者没有运行该命令，读者在测试命令的时候建议运行该命令可以更快结束运行>> $ export MPLBACKEND=svg # fix matplotlib issue>> $ ~/deepmd-kit/bin/dp --pt train input.json

通常由于训练和测试是分开的，因此这里对于测试部分重新进行环境激活后冻结势函数。

>> $ source ~/deepmd-kit/bin/activate ~/deepmd-kit>> $ export MPLBACKEND=svg>> $ DP_GNN_USE_MAPPING=1 dp --pt freeze>> $ ~/deepmd-kit/bin/dp test -m frozen_model.pth -s ../data

训练速度、精度与NEP对比

注意事项：

符号标记：DP-Original，原生DP势

符号标记：DP-MACE，基于MACE插件机制训练获得的势函数

本小节内容中的所有测试数据为同一台主机电脑下RTX 4090的结果，DP相关的训练集、验证集输入为 deepmd-kit/examples/water/data ，NEP相关的训练集为使用 https://github.com/brucefan1983/GPUMD/tree/master/tools/dp2xyz 转换脚本将DP的训练集转换成ext-xyz格式后再使用nep进行训练（其中data0，data1，data2为训练集，data3为测试集），NEP4的输入脚本为：https://gitlab.com/brucefan1983/nep-data/-/blob/main/2023_Xu_liquid_water/nep.in 。

训练过程中力的误差：

误差收敛性如下图所示。可以看出DP-MACE跟DP-Original的收敛速度基本一致，但是DP-MACE的精度更高。DP-Original与NEP4精度相近：

DP-MACE：batch 1000000: val: rmse = 1.29e-02, rmse_e = 1.15e-04, rmse_f = 1.26e-02    # 力的误差单位（eV/A）。

DP-Original：batch 1000000: val: rmse = 4.09e-02, rmse_e = 2.83e-04, rmse_f = 3.99e-02    # 力的误差单位（eV/A）。

NEP4：1000000 0.05967    0.00492   0.01827    0.00027      0.03621      0.00000      0.00035      0.03704      0.00000   # 力的误差单位（eV/A）。

训练速度：

相同的训练参数下，训练速度如下所示：

DP-Original：0.0637 s/batch，总训练耗时3小时7分钟。（100万步）

DP-MACE：0.0112 s/batch，总训练耗时17小时42分钟。（100万步）

NEP4：总训练耗时18小时44分钟。（100万步）

由于 NEP 使用的是演化算法优化参数，训练速度较慢，但收敛更快，且可避免误差陷入局部最小值。总体而言，NEP4 的精度与 DP-Original 一致，但两者的精度均不及 DP-MACE。

MD运行速度与NEP对比

本次示例使用的体系为液态的块体水体系。

三种MLP计算速度对比：

作者使用了单4090显卡进行测试，对于NEP4势在GPUMD中运行，对于两个DP势在LAMMPS中运行。其中NEP和DP均使用了单核CPU和单个RTX 4090显卡。在5184个原子（1728个水分子）的体系中，DP-MACE的MD运行速度为15950 atom-step/second，DP-Original的运行速度为46445 atom-step/second，NEP4的运行速度为2971000 atom-step/second。此外，在单个4090显卡上，NEP4的计算速度峰值约为10^7 atom-step/second。

按照显存占比，作者按照 RTX 4090 显卡的24 G显存对对应的势函数在相应的MD软件中可模拟的理论最大体系进行对比。可以看出NEP4在GPUMD中可以模拟接近90万原子大小的体系，而 DP-MACE 只能模拟5500原子体系，DP-Original 可以模拟22000原子体系。

结语

模型选择与适用性：

• 高精度需求：DP-MACE 是最佳选择，适用于对精度要求极高的研究，并且在DP的加持下，MACE级的精度，DP级速度的机器学习势不是梦。

• 大规模体系模拟：NEP4 在大规模体系下表现突出。

  
  

软件生态：

• DeePMD-kit 3.0 的模块化设计支持多后端框架，适应不同场景需求。

• 对于科研用户，Bohrium 平台提供了友好的支持和优化选项。

• 机器学习势函数的不断迭代（如 DP-MACE 的引入）为分子模拟提供了更多选择。

• 目前，GPUMD 社区正在快速发展。作为国内广受认可的分子动力学软件，其卓越的运行速度和出色的软件生态，使其在科研领域得到了更广泛的应用。

本次评测表明，DPA-2 在性能、适用性和用户体验上均有显著提升，为分子模拟领域的研究者提供了更强大的工具。

作者简介：

徐克，致力于分子动力学模拟和机器学习势函数的研究，热衷于分享科学计算的技巧和心得。