大概流程就是利用初始数据训练出四个势函数，用其中一个势函数跑lammps 计算体系原子受力，并用其他三个势函数的预测结果对比，体系原子的最大受力超过fmax 则认为是糟糕构型（舍去），小于fmin则认为势函数预测准确，在fmin和fmax之间则为候补构型，将候补构型挑选一定数量进行下一步vasp单点能计算，完成后。然而它存在一定的问题，问题在于，训练的数据来自于数千步的AIMD过程，各个步数之间有

大概流程就是利用初始数据训练出四个势函数，用其中一个势函数跑lammps 计算体系原子受力，并用其他三个势函数的预测结果对比，体系原子的最大受力超过fmax 则认为是糟糕构型（舍去），小于fmin则认为势函数预测准确，在fmin和fmax之间则为候补构型，将候补构型挑选一定数量进行下一步vasp单点能计算，完成后。然而它存在一定的问题，问题在于，训练的数据来自于数千步的AIMD过程，各个步数之间有

大概流程就是利用初始数据训练出四个势函数，用其中一个势函数跑lammps 计算体系原子受力，并用其他三个势函数的预测结果对比，体系原子的最大受力超过fmax 则认为是糟糕构型（舍去），小于fmin则认为势函数预测准确，在fmin和fmax之间则为候补构型，将候补构型挑选一定数量进行下一步vasp单点能计算，完成后。然而它存在一定的问题，问题在于，训练的数据来自于数千步的AIMD过程，各个步数之间有

大概流程就是利用初始数据训练出四个势函数，用其中一个势函数跑lammps 计算体系原子受力，并用其他三个势函数的预测结果对比，体系原子的最大受力超过fmax 则认为是糟糕构型（舍去），小于fmin则认为势函数预测准确，在fmin和fmax之间则为候补构型，将候补构型挑选一定数量进行下一步vasp单点能计算，完成后。然而它存在一定的问题，问题在于，训练的数据来自于数千步的AIMD过程，各个步数之间有

数据集的量有500-2000不等，当然数据集越多训练的越好。除此之外还有体系的原子数，同样原子数越多训练的越好。本文中通过VASP进行MD动力学过程，运行1000步，随机抽取200个数据集作为测试集，800个数据集作为训练集。02.lmp.将vasp运行的OUTCAR复制到00.data中，运行如下python代码进行数据集的划分。a:VASP运行需要4个文件：POSCAR，POTCAR，KPOI

大概流程就是利用初始数据训练出四个势函数，用其中一个势函数跑lammps 计算体系原子受力，并用其他三个势函数的预测结果对比，体系原子的最大受力超过fmax 则认为是糟糕构型（舍去），小于fmin则认为势函数预测准确，在fmin和fmax之间则为候补构型，将候补构型挑选一定数量进行下一步vasp单点能计算，完成后。然而它存在一定的问题，问题在于，训练的数据来自于数千步的AIMD过程，各个步数之间有

计算水的热导率

DeePMD-kit是一种基于机器学习的分子动力学模拟方法，该方法是通过使用从头计算得到的数据对深度神经网络模型进行训练，从而得到通用的多体势能模型（DP模型）。最近自己也在学习这个，安装上遇到了一些问题，避免大家踩坑，下面给出相关建议。本例安装的是tensorflow_cpu==2.5.0 和python 3.8。3.安装deepmd-kit，这里安装离线版集成好了的deepmd-kit。终端输

数据集的量有500-2000不等，当然数据集越多训练的越好。除此之外还有体系的原子数，同样原子数越多训练的越好。本文中通过VASP进行MD动力学过程，运行1000步，随机抽取200个数据集作为测试集，800个数据集作为训练集。02.lmp.将vasp运行的OUTCAR复制到00.data中，运行如下python代码进行数据集的划分。a:VASP运行需要4个文件：POSCAR，POTCAR，KPOI