DeepMD-kit和LAMMPS的安装&测试

一、DeepMD-kit、LAMMPS安装

1.1 docker拉一个镜像

此处采用2.3.1
cuda使用本机的cuda-11.7

docker pull ghcr.io/deepmodeling/deepmd-kit:2.3.1_cuda11.6_gpu

启动容器

docker run -itd --gpus all --privileged=true --name 容器名 -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all 镜像名

问题1：镜像被墙

采用阿里云解决。

阿里云有镜像源的功能，原理就是：建立一个项目，里面就一个Dockerfile，内容是From XXX； XXX就是你要下载的镜像，等于说套一层，然后阿里云帮你build，阿里云访问外网。

1. 在自己的GitHub上新建项目， new Repository
2. 然后我们本地新建Dockerfile，初始化仓库，然后推送到该项目
3. 进入阿里云镜像服务，https://cr.console.aliyun.com/cn-hangzhou/instances/repositories，点击创建镜像仓库（绑定自己的github账号，勾选海外机器构建）
4. 最后点击立即构建，镜像就会生成
5. 从阿里云拉取即可

问题2：启动容器失败

修改crntOS下的/etc/selinux/config 将SELINUX=disabled 改成 SELINUX=permissive（宽容模式）

参考：https://blog.csdn.net/qq_41999034/article/details/110942059

1.2 DeePMD-kit、LAMMPS：

dp -h
lmp -h

二、测试

2.1 流程

此处以DPLR为例：

2.2 train阶段

2.2.1 Wannier模型训练

为 Wannier 质心训练深度 Wannier 模型

使用深度 Wannier 模型 (DW) 来表示 Wannier 质心 (WC)与其关联的原子的相对位置。训练的是WC从相应的氧原子上的位移，详细介绍可以参考偶极子模型。

dp train dw.json && dp freeze -o dw.pb

2.2.2 训练DPLR模型

model_name指定使用哪个 DW 模型来预测 WC 的位置

dp train ener.json && dp freeze -o ener.pb

2.3 进行lmp

在 MD 模拟中，DPLR 的远程部分由 LAMMPS支持计算。然后，DeePMD-kit 将远程相互作用反向传播到原子。

lmp -i in.lammps