MLPG——机器学习力场生成工具  

Efficient Flexible Machine Learning Potential Generator

Machine learning engineering is 10% machine learning and 90% engineering.

Chip Huyen, Stanford

MedeA MLPG（机器学习势函数生成器）使用户能够从之前由量子力学计算生成的训练集数据创建自己的机器学习势函数（或力场）。由此产生的势函数与通常使用的量子力学方法相比，可以模拟更大的体系和更长的仿真时间，且同样具有高精度和有效性。

除了对于训练集和测试集的选择进行管理之外，MedeA MLPG还允许您使用SNAP形式生成机器学习势函数，创建的势函数随后可与MedeA LAMMPS一起使用。MedeA MLPG在MedeA流程图中进行使用，与VASP和LAMMPS无缝结合，以实现基于机器学习的模拟技术。

MedeA MLPG管理源自第一性原理计算的训练集数据，目标是可以被 MLP（机器学习势函数）再现。MedeA MLPG通过使用SNAP方法，在拟合过程中会考虑与构象相关的能量、力和应力，最小化与通过量子力学方法计算结果的偏差，创建机器学习势函数。虽然此过程由有意义的默认参数指导，但也具有通过高级设置访问底层方法的灵活性。MedeA MLPG 是作为研究和开发的一部分工作而发展起来的，并且经过了彻底的验证。

The MedeA Machine Learning Potential Generator (MLPG) is integrated within the MedeA environment allowing straightforward use of first-principles information from VASP in the creation of MLPs.

MedeA MLPG提供详细的输出结果分析，包括拟合程度的自动图形分析。产生的MLP保存在.frc文件中，可以在MedeA中进一步使用。MedeA MLPG也支持Ziegler-Biersack-Littmark (ZBL) 短程相互作用势，例如，可用于模拟离子注入和辐射损伤。

Comparison of VASP and SNAP energies for a particular system’s training set。

功能特点：

• 使用 SNAP 形式自动创建机器学习势函数

• 基于SNAP方法生成机器学习描述符

• 将从头算精度扩展到更大的空间和时间尺度

• 完整的Ziegler-Biersack-Littmark (ZBL)势函数支持

• 采用VASP计算引擎进行DFT计算，支持目标数据：能量、力、应力张量等

• 提供对所有计算细节和信息的访问

• 提供所有能用于MedeA LAMMPS计算的机器学习势函数

• 自动结果分析、高效处理优化

所需模块：

• MedeA Environment

• MedeA MLP

• MedeA VASP

• MedeA LAMMPS

• MedeA HT-Launchpad