PACE 与 Pacemaker 教程文档(AI中文译稿)

PACE 与 Pacemaker 教程文档（中文译稿）

仓库说明

本仓库包含 PACE 与 Pacemaker 拟合工具的教程文件。

教程幻灯片见此链接

环境准备

通过超算仪表盘 (https://www.puhti.csc.fi/pun/sys/dashboard/) 启动 Jupyter：

分区：interactive（交互式）
资源：32 核（推荐）/ 16 核（尚可）
时长：4 小时
环境设置：Python - tensorflow
Jupyter 类型：Lab
工作目录：/user/[你的用户名]

连接至 Jupyter 后，在 JupyterLab 中打开终端（Ctrl+Shift+L → Terminal）。

安装 Pacemaker（含 python-ace 与 tensorpotential）

echo'export PYTHONPATH=$HOME/.local/lib/python3.9/site-packages/:$PYTHONPATH' >> ~/.bashrc 
source ~/.bashrc
cd
mkdir tools

1. 安装 python-ace

cd ~/tools
git clone https://github.com/ICAMS/python-ace.git
cd python-ace
pip install . --user
cd lib/maxvolpy
pip install . --user

2. 安装 TensorPotential

cd ~/tools
git clone https://github.com/ICAMS/TensorPotential.git
cd TensorPotential
pip install . --user

3. 编译支持 PACE 的 LAMMPS

cd ~/tools/
git clone --depth 1 --branch develop https://github.com/lammps/lammps.git lammps
cd lammps/
mkdir build && cd build/
cmake -DCMAKE_BUILD_TYPE=Release -DBUILD_MPI=ON -DPKG_ML-PACE=ON ../cmake
cmake --build . -- -j 
make install

获取教程数据

cd ~
git clone https://github.com/yury-lysogorskiy/pace-tutorial.git
cd pace-tutorial
tar zxvf AlLi_vasp_data.tar.gz

教程正文

一、DFT 数据收集

cd AlLi_vasp_data
pace_collect --free-atom-energy auto --output-dataset-filename AlLi.pkl.gz

二、Pacemaker：自动生成输入文件

准备文件夹并复制数据集：

cd ~/pace-tutorial
mkdir AlLi_fit && cd AlLi_fit
cp ../AlLi_vasp_data/AlLi.pkl.gz .

运行自动配置：

pacemaker -t

按提示依次输入：

Generating 'input.yaml'
Enter training dataset filename: AlLi.pkl.gz
Enter testset fraction or size: 0.05
Please enter list of elements: [回车，自动识别]
Enter number of functions per element: 300
Enter cutoff (Angstrom, default:7.0): 6.0
Enter weighting scheme type - `uniform` or `energy`: energy
Input file is written into `input.yaml`

三、Pacemaker：拟合势函数

若当前目录已有 input.yaml，直接执行：

pacemaker

运行结束后，若成功则生成 output_potential.yaml；无论成功与否都会生成 interim_potential_0.yaml（始终保存最新版本）。建议将其重命名：

mv interim_potential_0.yaml AlLi.yaml

四、pace_activeset：计算活性集（Active Set）

pace_activeset -d fitting_data_info.pckl.gzip AlLi.yaml

五、LAMMPS：运行含不确定性指示的分子动力学

进入 AlLi-LAMMPS 目录并执行：

cd ~/pace-tutorial/AlLi-LAMMPS
lmp -in in.lammps

检查输出：

若 extrapolative_structures.dump 为空，说明未发生外推；
查看 log.lammps 中的 c_max_pace_gamma 列。

可尝试增大超胞、调整温度曲线、切换 NPT 系综或改变原子类型以触发外推。注意：LAMMPS 会覆盖 extrapolative_structures.dump，请提前备份。

六、pace_select：为主动学习选取结构

pace_select -p AlLi.yaml -a AlLi.asi -e "Al Li" -m 20 -o selected/POSCAR extrapolative_structures.dump

七、（选做）主动探索（Active Exploration）

参考 ~/tools/python-ace/examples/Active_Exploration.ipynb，将其适配至 Al/Li 体系及你的 AlLi.yaml/asi 势函数。

博导点评

总体评价：这是一份来自 Ruhr-Universität Bochum ICAMS 团队的高质量技术教程，覆盖了从第一性原理数据收集 → 机器学习势拟合 → 分子动力学验证 → 主动学习迭代的完整闭环。对于从事材料计算、尤其是数据驱动势函数开发方向的研究生而言，这是入门 ACE/PACE 框架不可多得的实操材料。

一、值得肯定的方面

1. 流程设计完整，体现了现代 MLIP（机器学习原子间势）开发的标准范式

该教程并非简单的"跑一个例子"，而是完整呈现了当代 MLIP 研究的四大核心环节：

数据工程（pace_collect 打包 DFT 数据）
模型训练（pacemaker 自动调参与拟合）
不确定性量化（pace_activeset + c_max_pace_gamma 外推检测）
主动学习闭环（pace_select 选取新结构补充训练集）

这与我们组里强调的 "DFT-data → model → MD-validation → active learning → DFT" 迭代范式完全一致。能把这个流程走通的学生，基本上就具备了独立开展 MLIP 研究的能力。

2. 对超算环境的考虑较为务实

教程基于 CSC 的 Puhti/Mahti 超算编写，明确给出了 Jupyter Lab 的启动配置（32 核、TensorFlow 环境、4 小时交互式分区）。对于刚接触超算的学生来说，这种"手把手"式的环境配置指导能显著降低入门门槛。pip install . --user 和 PYTHONPATH 的设置也体现了在无 root 权限环境下部署科学软件的成熟经验。

3. 关键参数给出了合理的默认值，同时保留了可调空间

例如：

截断半径 6.0 Å（对于 Al-Li 这类金属体系是合理的）
基函数数量 300（在精度与计算成本之间取了平衡）
能量加权（energy weighting）而非均匀加权，这对于能量景观复杂的合金体系尤为重要

这些默认值的选取反映了开发团队对 ACE 势函数参数化经验的积累。

二、需要提醒与深化理解的地方

1. 不要停留在"跑通例子"，要理解每一步的物理与数学内涵

pace_collect 中的 --free-atom-energy auto：这里涉及的是原子参考能的选取问题。ACE 势通常以孤立原子能量为参考，但不同元素的单原子能量如何定义（spin-polarized or not?）会直接影响拟合的绝对能量值。建议你去读 Drautz 2019 的原文，理解 ACE 的多体展开是如何从原子基态出发构建的。
活性集（Active Set）与 B 矩阵：pace_activeset 计算的是设计矩阵（design matrix）中一组线性无关的基函数组合，其物理意义是确定模型在哪些化学环境上有可靠的数据支撑。c_max_pace_gamma 本质上是一种杠杆值（leverage score）或Mahalanobis 距离的变体，用于衡量新结构是否落在训练分布之外。这不是简单的"阈值判断"，而是涉及统计学习理论中的外推（extrapolation）概念。

2. 对拟合质量的评估不能只看"跑完了"

教程中 pacemaker 运行结束后只提到重命名输出文件，但没有详细说明如何诊断拟合质量。作为导师，我要求你至少检查以下几点：

训练集与测试集的 RMSE/MAE（能量、力、应力）
能量-体积曲线（EOS）与 DFT 的对比
声子谱是否出现虚频（这是势函数稳定性的硬指标）
对已知缺陷（如空位、层错）形成能的预测精度

3. LAMMPS 编译环节是常见的"卡脖子"点

教程中的 LAMMPS 编译命令看似简单，但在实际超算环境中，学生经常遇到：

CMake 版本过低（需要 ≥3.16）
MPI 库与编译器不匹配（GCC vs Intel vs Cray）
缺少 yaml-cpp 或 Eigen3 依赖

建议：在正式用于科研前，先用 lmp -h | grep pace 确认 PACE 包已正确加载，并用一个小体系（如 32 原子的 FCC Al）跑 100 步 NVE 验证能量守恒。

4. 主动学习（Active Learning）策略需要批判性思考

教程最后提到了 pace_select 和 Active Exploration，但主动学习的效率高度依赖于"选择策略"。pace_select 基于外推指标（gamma 值）选结构，这是一种不确定性驱动的策略。然而：

如果初始训练集覆盖不足，早期外推可能是系统性的，而非随机的；
对于多元合金，成分空间的采样是否充分？
是否考虑了动力学稳定性？有些结构虽然 gamma 值高，但可能是动力学不稳定的（如虚假的高能构型），直接做 DFT 会浪费机时。

建议结合 query-by-committee 或 dynamics-based exploration（如元动力学、超平面约束）来丰富采样策略，不要单一依赖 gamma 值。

三、给你的学习建议


阶段	任务	预期成果
第 1-2 周	在超算上完整跑通 AlLi 教程，记录每一步的输出与报错	一份详细的安装与运行日志
第 3-4 周	将体系迁移至你自己的研究对象（如 Mg-Y、Ti-Al 等），重复数据收集与拟合	至少一个可运行的 `input.yaml` 和初步势函数
第 5-6 周	用 LAMMPS 计算该体系的基本性质（晶格常数、弹性常数、缺陷能），并与 DFT/实验对比	一份势函数验证报告
第 7-8 周	实现 2-3 轮主动学习迭代，观察测试集 RMSE 随迭代的变化	收敛的主动学习曲线与外推结构分析
长期	阅读 Lysogorskiy 2021 (npj) 和 Bochkarev 2022 (PRM) 的原文，理解 PACE 的算法优化（稀疏矩阵、并行策略）	能够向组会报告 PACE 与 SNAP、GAP、NEP 等方法的技术差异

四、总结

这份教程是入门的优质地图，但不是科研的终点。它能带你快速建立"数据 → 模型 → 模拟 → 迭代"的工程能力，但真正的科研突破来自于对原子团簇展开（ACE）数学结构的深刻理解，以及对材料物理问题的敏锐把握。

下一步：跑通后，不要急着发文章。先回答我三个问题：

为什么 ACE 的基函数数量（300）和截断半径（6.0 Å）对 Al-Li 体系是足够的？如果换成含有长程相互作用的离子体系，你需要如何调整？
c_max_pace_gamma 的数值大小与外推风险之间是线性关系吗？如果不是，你如何建立一个更可靠的"外推警报"机制？
如果你的主动学习迭代 5 轮后测试集误差不再下降，是数据饱和了，还是模型表达能力（basis size）到了瓶颈？

把这三个问题想清楚了，你才算真正"学会"了这个教程，而不仅仅是"跑完"了它。

参考链接🔗点击阅读原文可跳转：https://github.com/yury-lysogorskiy/pace-tutorial

导师签字（Kimi-AI）
2026年8月