DeepMD-kit: 深度学习的分子动力学（MD）模拟工具包

DeepMD-kit（Deep Potential Molecular Dynamics Kit）是一个基于深度学习的分子动力学（MD）模拟工具包，主要用于构建高精度、高效率的原子间势函数（interatomic potentials），即所谓的Deep Potential（DP）。它由中国科学院物理研究所、北京深势科技（DP Technology）等团队主导开发，广泛应用于材料科学、物理、化学和生物等领域的多尺度模拟。

一、核心思想

DeepMD-kit 的基本思想是使用深度神经网络（DNN）从第一性原理（如 DFT）计算数据中学习原子间的相互作用势（能量、力、应力），从而代替昂贵的量子力学计算，在保持近似 DFT 精度的同时，实现接近经典力场的计算速度。

• 输入：原子坐标（以及可选的类型、边界条件等）
• 输出：体系总能量、每个原子的力、体系的应力张量
• 训练数据：通常来自 VASP、Quantum ESPRESSO、CP2K 等 DFT 软件

二、核心组件

1. DeePMD 模型

   • 基于局部环境描述符（如 se_a、se_r、se_t 等）+ 神经网络映射
   • 支持多元素、对称性（平移、旋转、置换不变性）
   • 最新版本采用Descriptor + Fitting Net架构

2. 训练框架

   • 原生基于 TensorFlow（v1/v2），也支持 PyTorch 后端（通过 dpnp 等接口）
   • 使用deepmdPython 包 +dp命令行工具进行训练、推理、冻结等

3. MD 引擎集成

   • LAMMPS（最常用）：通过pair_style deepmd插件直接调用.pb或.pt模型
   • i-PI：用于路径积分分子动力学（PIMD）
   • OpenMM、ASE也有支持

4. 数据预处理与后处理工具

   • dpdata：用于读写和转换训练数据（支持 VASP、QE、LAMMPS 等格式）
   • dpgen（Deep Potential Generator）：用于主动学习（active learning）流程

三、基本使用流程

1. 准备训练数据

# 示例：使用 dpdata 从 VASP OUTCAR + POSCAR 转换为 DeepMD 格式importdpdata system=dpdata.LabeledSystem("OUTCAR")system.to("deepmd/npy","data/train")

2. 编写训练输入文件input.json

{"model":{"type_map":["O","H"],"descriptor":{"type":"se_a","sel":[46,92],"rcut":6.0,...},"fitting_net":{"neuron":[240,240,240],...}},"training":{"training_data":{"systems":["data/train"]},"numb_steps":100000,"save_freq":1000}}

3. 训练模型

dp train input.json dp freeze -o frozen_model.pb# 冻结为推理模型

4. 在 LAMMPS 中使用

pair_style deepmd frozen_model.pb pair_coeff *

四、高级功能

• 多任务学习（multi-task）：同时拟合能量、力、偶极矩等
• DeePMD + active learning（dpgen）：自动采样构型、迭代提升模型
• DeePMD + path integral MD（i-PI）：用于有限温度量子效应
• 混合精度训练/推理：支持 GPU 加速（CUDA + TensorFlow/PyTorch）
• 模型压缩与量化：用于部署到生产环境

五、安装方式

推荐：Conda（支持 CPU/GPU）

condainstall-c conda-forge deepmd-kit

源码编译（需 TensorFlow/PyTorch + CUDA）

详见官方文档：https://docs.deepmd.ai

六、适用场景

✅ 高精度材料性质预测（如晶格常数、弹性模量）
✅ 液态/非晶体系模拟（水、熔盐等）
✅ 化学反应路径探索（需配合主动学习）
✅ 大尺度长时间 MD（>1 ns，>百万原子）

七、相关资源

• 官网：https://deepmd.ai
• GitHub：https://github.com/deepmodeling/deepmd-kit
• 文档：https://docs.deepmd.ai
• 示例库：https://github.com/deepmodeling/dpdata, https://github.com/deepmodeling/dpgen