本教程仅适用于AMS2024.1以上版本，展示如何训练自己的 M3GNet 机器学习势。

先决条件：熟悉ParAMS训练ReaxFF力场

在本教程中，训练数据已经准备好。一般而言，在训练 M3GNet 等 ML 势时，只能训练单点能量和力。

SCM → ParAMS → File → Open打开示例：$AMSHOME/scripting/scm/params/examples/M3GNet/params.in，会加载一些液氩结构并设置一些 ML 训练设置，例如：

如果自行生成作业，确保ParAMS → Parameters 选择 No Parameters，至于机器学习势则在左下角窗口选择Machine Learning。

切换到Jobs面板：

在这里，可以看到所有作业都是“Single Point + Gradients”类型，这是唯一可以使用的Job类型。

注意：将训练集导入 ParAMS 时。确保Task (for new job)为SinglePoint。

切换到Training Set面板：

在这里，可以看到训练集的能量和力。

切换到Validation Set面板：

也是只有能量和力。对于机器学习势的训练，Validation Set中至少需要有一个条目。

注意：给定Job的能量和力必须属于同一数据集，例如Validation Set中uff_md_frame001的能量和力都在其中，不允许将其分开。

• Max epochs：训练的最大 epoch 数。
• Committee size：指定要训练多少个独立的 ML 模型。最终预测的能量/力使用所有 ML 模型的平均值。如果设置为大于 1 的数字将显著增加计算成本和内存需求，但可以更好地衡量预测值的不确定性。
• Load model：加载先前训练的模型，以便继续训练。
• Backend：使用哪种类型的机器学习模型，这里我们使用M3GNet，前提是已经安装了 M3GNet。
• Learning rate：学习率。
• Model：对于 M3GNet Backend，可以选择两种不同的模型：
  • Custom：这会从头开始训练一个新的神经网络。您可以决定这个神经网络的架构，例如每层的神经元数量和卷积块的数量。请注意，使用自定义，您通常需要大量的训练数据才能训练出一个好的模型。
  • UniversalPotential：从 M3GNet-UP-2022 通用势能开始训练。这通常会使训练速度更快。您可以选择要重新训练的层，但不能更改任何其他参数。

对于机器学习任务，不同训练集条目的权重可以在这两个地方设置：

• 在右上角窗口训练集和验证集面板的“W”列
• Options → Loss function

W 列允许为不同的单个条目设置不同的权重。Options → Loss function面板，可以设置能量和力的相对权重。如果发现能量训练的精度不够，可以考虑在 Options→Loss function 面板上增大 Energy 系数。

此处为Force的 MAE 设定目标值，如果训练和验证的 MAE 都小于此阈值，则训练成功。这有助于：

• 防止过度拟合
• 当模型具有可接受的准确率时停止训练

File → Save as保存作业，然后运行作业。

右下角窗口选择Graph栏： 可以看到损失函数和统计数据随训练过程的变化情况。最后一个图默认是显示Best Training，即训练出来的M3GNet相对于训练集的符合情况，可以改为Best Validation，即相对于验证集的负荷情况：

右下角创窗口选择Results栏，下拉菜单中选择Validation best: engine 或 Training best: engine，即可看到训练好的M3Gnet所在的位置：

可以把这个文件夹复制到其他地方存起来，以便后面多次用到。

ParAMS → File → Open Optimized Engine in AMSinput → Best validation，这将打开一个新的 AMSinput 窗口，其中选择了 MLpotential 模块。可能会弹出警告，要求您仔细检查输入，其中Model显示为Custom：

点击Model右侧的>按钮：

将前面ParAMS窗口右下角Resuls栏里面Engine MLPotential到EndEngine直接所有内容，到AMSinput → ML Potential模块Ctrl v粘贴，同样会得到和方法一的结果。