从 AMS2024 开始，包含一个简单主动学习功能，用于在分子动力学模拟过程中，动态训练机器学习势。在本教程中，将展示：

• 应用“迁移学习”对 M3GNet(M3GNet-UP-2022)进行微调，使其对于特定体系更加准确
• 在 MD 模拟过程中动态生成“训练”和“验证”数据

该功能需要Advanced Workflow、Force Field & Ml Pot，以及参考引擎的license，例如本例中从DFTB训练M3GNet，因此还需要DFTB & Mopac 的license。请确保SCM → Package中M3GNet已经安装（安装教程参考：机器学习力场的安装）。

本例演示从DFTB训练M3GNet，当然也可以类似从BAND/QE（即，DFT）训练M3GNet。DFTB本身描述化学反应就不太准确，误差很大，用它来训练机器学习势，没有什么优势。本教程之所以用DFTB训练，只是为了方便快速学习该功能的逻辑和工作方式。

对于有O2参与的化学反应，反应物是三重态，产物应该是单重态，过程中，有自旋的翻转。BAND-MD的Unrestricted虽然允许自旋翻转，但应用于Active learning，该功能被限制了，用户可以通过将Relativity改为Spi-Orbit，来允许MD过程中的自旋翻转（此时，Unrestricted勾选与否都不再起作用）。

AMSinput中，将模块从默认的ADF切换到MD Active Learning，输入内容包括 5 种：

1. 初始结构
2. 参考引擎设置
3. 分子动力学设置
4. 机器学习模型（例如M3GNet）设置
5. 主动学习设置

和一般分子动力学没有太大区别，不过如果是训练分子，则同类分子一个分子就足够了。如果是固液模型，则液体分子只保留一个是最好的，固体则选用尽量小的单包（当然也不能太小，否则固体表面浓度过高）。

一个SiO2单包是非常好的，如果用较大的超胞来学习，效果反而更差，因为相关数据太复杂了，多种效应叠加在一起，反而掩盖了本有规律，导致学习非常困难。

如何从一个结果作为参考起点，继续训练，文末会介绍。

建模参考：建模。

注意Active Learning只能对1~3维周期性体系进行训练。

这里以DFTB为参考，因此MD Active Learning窗口的第一个项目（Engine）选择DFTB，则窗口底部多了DFTB一栏，点进去之后，就可以设置DFTB相关的参数了：

这里作为演示，我们使用DFTB中速度最快的GFN1-xTB，k点原则上越精确越好，但这里我们使用默认值更快速，Parameters directory不需要选择，如果Model选择了DFTB3或SCC-DFTB，则需要选择参数，不同的参数适用于不同的体系，而有的体系没有可用参数。

点击底部A-ML回到MD active learning主窗口

点击 Task 后面的 > 按钮，进入分子动力学的详细设置。

这里我们只是作为范例，因此没有用很长时间的MD模拟，例如1万步可能结果会更好一些。这里只用了3000步，非常小。另外，这里不关心化学反应机理，而只是为了生成一些偏离稳定结构的样本结构能量等信息，而且温度也不高，因此步长设置为0.5fs没有什么问题，甚至建议设置的更大，例如2fs。

点击Thermostat后面的>按钮进入恒温器的详细设置：

不同的系综设置，参考：【入门基础教程】NVT、NPT、NVE系综的设置。这里Damping Constant设置为10（注意该参数必须设置，否则无法进行计算），是为了让体系迅速稳定下来（Damping Constant即振荡时间长度，振荡期间温度、能量、结构都不稳定），否则如果初始结构不稳定，或探索ML Pot之前没有涉及到的构型空间的话，将会导致急速升温。

回到Main面板：

其中：

• Max epochs，机器学习势后端的最大周期
• Committee size，同时训练几个模型？一般一个即可，多个模型往往差别不太大，但是大大降低了计算效率
• Backend选择M3GNet

简单设置的话，以上这样就可以了。

用户也可以点击load model后面的按钮，加载之前在ParAMS作业中训练出来的机器学习势，例如*.results/step5_attempt4_training/results，里面包含 optimization 和 settings_and_initial_data 两个文件夹。点击Machine learning后面的>可以进行更详细设置： 如果要从头训练M3GNet，而不是微调，此处Model选择Custom即可。默认的Universal Potential则表示在软件自带M3GNet基础上微调。

点击Reference data后面的>按钮，进入详细设置。 参考数据如果是您指定之前用ParAMS生成的，则此处的Directory选项选择对应的ParAMS作业的ParAMS.yaml文件所在的目录即可。

否则建议您勾选M3GNet-Up short MD效果更加，或者什么也不勾选、不选择也可以。如果此页面什么都没有设置，默认会使用Reference MD这个选项。

其中Step sequence type，是确定每个主动学习step的MD步数的方案。如此设置，会将 MD 模拟划分为6个部分。第一个部分包含 10 帧，这意味着在前 10 帧MD模拟后，将对当前 MD 结构进行“参考计算”，并将结果与“预测计算”结果进行比较，如果“预测计算”结果足够准确，则 MD 模拟继续，如果“预测计算”不够精确不够准确，那么模型将重新训练。

如果用户不是很熟悉各种方案，则选择默认Geomitric就可以了。

粗略而言，只需要设置Relative energy和Max dviation for zero force就可以了。您可以使用默认值，也可以改小，改小后应该质量更好，但是可能更难以收敛。

详细设置，可以点击Success criteria后面的>按钮：

包含上面2个参数外的另外3个参数。

详细含义参考（较为专业）：https://www.scm.com/doc/Workflows/SimpleActiveLearning/Input.html#success-criteria

Model → Reasonable Simulation Criteria：

您可以在此处设置允许的最高温度和允许的最小原子间距离。如果超出这些标准，则所有后续 MD 帧都将被丢弃，然后模型将重新训练。我们会希望这些标准永远不会被超越，否则需要考虑增加主动学习Step的数量，以更频繁地运行“参考计算”。如果训练的不知一个Committee，能量和力量预测中，最大不确定性相关的标准，就可以进行设置了。这里是灰色的，是因为Committee为1，且保持默认值即可。

这是非必要设置。Details → Active Learning ：

在这里可以设置：

• 主动学习工作流程结束时该做什么
• 保存什么输出内容
• 设置每次尝试的最大参考计算次数和每步的最大尝试次数

设置完毕，保存作业，并运行。

运行过程中，到结束，SCM → logfile，可能包括如下内容：

[26.05|22:06:03] Current (cumulative) timings:
[26.05|22:06:03]                                 Time (s) Fraction
[26.05|22:06:03]     Ref. calcs                    303.50    0.220
[26.05|22:06:03]     ML training                   474.15    0.343
[26.05|22:06:03]     Simulations                   603.79    0.437
[26.05|22:06:03] 
[26.05|22:06:03] 
[26.05|22:06:03] Step 6 finished successfully!
[26.05|22:06:03] 
[26.05|22:06:03] --- Begin summary ---
[26.05|22:06:03] Step  Attempt  Status   Reason               finalframe_forces_max_delta
[26.05|22:06:03]     1        1 SUCCESS  Accurate                                     0.1362
[26.05|22:06:03]     2        1 SUCCESS  Accurate                                     0.1427
[26.05|22:06:03]     3        1 FAILED   Inaccurate                                   0.3674
[26.05|22:06:03]     3        2 SUCCESS  Accurate                                     0.2205
[26.05|22:06:03]     4        1 FAILED   Inaccurate                                   0.4643
[26.05|22:06:03]     4        2 SUCCESS  Accurate                                     0.3947
[26.05|22:06:03]     5        1 SUCCESS  Accurate                                     0.3940
[26.05|22:06:03]     6        1 FAILED   Inaccurate                                   0.4788
[26.05|22:06:03]     6        2 SUCCESS  Accurate                                     0.3025
[26.05|22:06:03] --- End summary ---
[26.05|22:06:03] 
[26.05|22:06:03] The engine settings for the final trained ML engine are:
[26.05|22:06:03] 
Engine MLPotential
  Backend M3GNet
  MLDistanceUnit angstrom
  MLEnergyUnit eV
  Model Custom
  ParameterDir D:\ADF_DATA\tes-dftb.results\step6_attempt1_training\results\optimization\m3gnet\m3gnet
EndEngine



[26.05|22:06:03] Active learning finished!
[26.05|22:06:03] Rerunning the simulation with the final parameters...
[26.05|22:11:01] Copying final_production_simulation/ams.rkf to ams.rkf
[26.05|22:11:01] Goodbye!
Job tes-dftb has finished

其中：

1. Current (cumulative) timings：是参考计算耗时、训练耗时、模拟耗时。
2. Begin summary：记录训练历史。例如1 1 SUCCESS，表示第一个step训练成功，3 1 FAILED表示第二Step的第一次训练尝试失败了，因此进行第2次训练，然后SUCCESS了，以此类推。被标记为失败的那一次训练尝试，是指与参考方法相比，训练的 MD 模拟中，结构的能量/力的预测不够准确，没有达到我们前面设定的标准，从而会触发重新训练，然后重新尝试该步骤。
3. Engine MLPotential这一行到EndEngine这一行的内容，是一个典型的机器学习势分子动力学模拟作业的*.run文件中，设定机器学习势的脚本内容，因此如果把这几行，代替一个机器学习势分子动力学模拟中原本的Engine MLPotential到EndEngine的内容，就表示该分子动力学模拟，将使用此处训练出来的这个M3GNet机器学习势。
4. finalframe_forces_max_delta，对每一个Step，如果存在多次尝试，则随着尝试的次数增多，最终SUCCESS，这个值越来越小。但是第一个Step的finalframe_forces_max_delta和第二个Step的finalframe_forces_max_delta实际上没有什么可比性，因为后面增加了新的数据，因此差值必然变大。

SCM → Movie，注意Movie只显示当前这个学习Step的轨迹，因此在训练过程中会不断刷新。有可能前面一段看到的轨迹，和后面一段时间看到的轨迹完全不一样，因为不是同一个Step。

默认开启了Rerun simulation at end这个选项，因此训练结束后，在.results\final_production_simulation\ams.rkf文件中，包含整个M3GNet-MD的轨迹。

SCM → ParAMS，

右下角显示该训练结果的损失函数（越小越好），横坐标为epoch总共200，也就是前面我们设置Main里面的Max epochs值。最右侧所有数据点与直线约靠拢，训练质量越好。

在Main窗口Reference Data后面的>按钮，读取前一次训练最后一个Step的结果：

即，读取前一个作业*.results\文件夹下的step*_attempt*_reference_data这个文件夹。这个文件夹包含很多*.yaml文件。

可以逐渐减小成功标准的阈值进行训练。

训练结束后，*.logfile最后一页有一段内容，类似：

.......省略
[26.05|22:06:03] The engine settings for the final trained ML engine are:
[26.05|22:06:03] 
Engine MLPotential
  Backend M3GNet
  MLDistanceUnit angstrom
  MLEnergyUnit eV
  Model Custom
  ParameterDir D:\ADF_DATA\tes-dftb.results\step6_attempt1_training\results\optimization\m3gnet\m3gnet
EndEngine



[26.05|22:06:03] Active learning finished!
[26.05|22:06:03] Rerunning the simulation with the final parameters...
[26.05|22:11:01] Copying final_production_simulation/ams.rkf to ams.rkf
[26.05|22:11:01] Goodbye!
Job tes-dftb has finished

这里给出了我们训练得到的M3GNET的位置，例如本例显示的是：D:\ADF_DATA\tes-dftb.results\step6_attempt1_training\results\optimization\m3gnet\m3gnet

那么我们在使用ML Pot模块进行计算的时候，Main → Model 选择 Custom，点击右侧的 > 按钮，Parameter Directory输入该路径即可：

保存作业后，我们可以看到 *.run 文件包含类似如下内容：

Engine MLPotential
    Backend M3GNet
    Model Custom
    ParameterDir dep-m3gnet
EndEngine
eor

# dependency: {} {D:\ADF_DATA\tes-dftb.results\step6_attempt1_training\results\optimization\m3gnet\m3gnet} dep-m3gnet

保险起见，可以将ParameterDir dep-m3gnet替换为(不替换应该也可以正常运行)：

ParameterDir D:\ADF_DATA\tes-dftb.results\step6_attempt1_training\results\optimization\m3gnet\m3gnet

然后保存*.run文件，直接运行作业即可（不要再在AMSinput中重新保存，否则手动修改的内容会被覆盖掉）

训练效果如何，实际上可以通过AMS里面的Replay功能，非常形象的看到。Replay是指，我们先用例如DFTB做了一个标准的MD，然后换一个计算引擎，例如机器学习势，调用我们训练出来的机器学习势，来重复前面这个MD的轨迹，从而可以得到另一条能量变化曲线，和原先MD的能量变化曲线可以进行比较。

在ParAMS窗口，也可以直接实现新建作业，调用我们训练出来的机器学习势：

用户可以选择使用训练的最好的那个，也可以选择验证效果最好的那个（因为训练和验证，要求不能使用相同的参考集）。您可以通过右下角点线图，切换两个选项，看看二者哪个符合的更好，一般差别不大。如果差别大，就说明训练不完善，得重新训练了。

虽然上图第三个点线图已经表征了训练质量，用户仍然可以先用DFTB跑一个MD，然后用训练好的机器学习势去沿着DFTB-MD的轨迹走一遍，然后看看二者的能量差异（注意，能量是相对量，能量曲线可以整体上下平移）。Replay功能的使用，参考：分子动力学的Replay：采用其他计算引擎、力场，复现轨迹、对比能量

https://www.scm.com/doc/Tutorials/WorkflowsAndAutomation/SimpleActiveLearning.html

AIMD 中发生化学反应的过程往往非常缓慢，很多反应集中在 ns 级别，甚至整个 MD 过程完成也没有得到预期的反应。因此一般的 AIMD 学习软件，即使学习算法高效，但是由于学习样本本身的问题，导致学习的效率非常低。

AMS 可以通过强制反应功能，从根本上解决这个问题。用户只需要将上述训练过程，与强制反应功能结合起来，就可以实现高效训练了。